UNIVERSIDAD DE OVIEDO
DEPARTAMENTO DE CIENCIA DE LOS MATERIALES E INGENIERÍA METALÚRGICA
Optimización y control del Horno Alto mediante la aplicación de las redes
neuronales a las señales de las sondas por encima de la carga
TESIS DOCTORAL
Íñigo Ruiz Bustinza Ingeniero de Minas
2011
UNIVERSIDAD DE OVIEDO
DEPARTAMENTO DE CIENCIA DE LOS MATERIALES E INGENIERÍA METALÚRGICA
Optimización y control del Horno Alto mediante la aplicación de las redes
neuronales a las señales de las sondas por encima de la carga
TESIS DOCTORAL Íñigo Ruiz Bustinza
Ingeniero de Minas
Directores
Luis Felipe Verdeja González Doctor en Ciencias Químicas Catedrático de Universidad
Javier Mochón Muñoz Doctor en Ciencias Físicas
Investigador del CENIM/CSIC
Oviedo, 11 de noviembre de 2011.
A mi familia
AGRADECIMIENTOS
Quiero agradecer a los Doctores D. Javier Mochón Muñoz, Investigador de
Centro Nacional de Investigaciones Metalúrgicas del CSIC y D. Luis Felipe
Verdeja González, Catedrático de Siderurgia de la Universidad de Oviedo por
sus valiosos consejos y amplia dedicación a la Dirección de esta Tesis
Doctoral.
También me gustaría agradecer la colaboración de otros miembros, tanto de
la Universidad de Oviedo como del CENIM, entre otros los Doctores D.
Fernando Garcia Carcedo, D. Alejandro Cores Sánchez y D. Manuel Gómez
Herrero por su ayuda en la redacción final del trabajo, así como a profesores
y compañeros de estudios de la E.T.S. de Ingenieros de Minas de Madrid.
También quisiera agradecer la ayuda prestada en la parte administrativa por
Dª Ana Mª López y D. Enrique Ruiz-Ayucar.
Asimismo, quiero expresar mi agradecimiento al Fondo de Investigación del
Carbón y el Acero de la Comisión Europea, Research Fund for Coal and Steel –
RFSC, gracias al cual, los trabajos en los que se ha basado esta Tesis, han
podido ser llevados a cabo.
I
RESUME N
La operación del horno alto ha evolucionado desde una perspectiva basada
puramente en la experiencia de los operadores de planta para ser una
operación que se ha mejorado científica y tecnológicamente. Una parte
importante de esta evolución, se refiere a la introducción de dispositivos de
detección cada vez más sofisticados, que proporcionan al operador de la
planta informaciones útiles sobre el estado del proceso interior del horno.
Un horno alto moderno está equipado con un gran número de estos
dispositivos/sensores de detección, lo que implica la monitorización de miles
de señales, que deben ser presentadas al operador de una manera directa,
significativa y fácil de comprender.
En los últimos años, los computadores han hecho posible una optima
actuación del proceso de control de los hornos altos, lo que permite no sólo
visualizar las señales representativas de las variables, sino también el
establecimiento de modelos, la comparación de las diferentes señales y la
creación de bases de datos para almacenar sus variables y su evolución
durante el proceso.
Desgraciadamente, no es posible para un ser humano analizar toda la
información recogida en tiempo real por los dispositivos de detección y los
ordenadores. Como consecuencia, los operadores en las plantas tienden a
seleccionar un número reducido de variables para su trabajo diario, prestando
poca o ninguna atención a las restantes.
Este hecho significa que parte de la inversión realizada en los equipos de los
hornos altos no se está aprovechando y que una parte considerable de la
información recogida queda sin utilizar.
II
Estos problemas se pueden resolver haciendo uso de técnicas modernas de
análisis de datos (Data Mining). Esta técnica comprende una amplia gama de
métodos tales como: el análisis estadístico clásico, análisis de componentes
principales, el procesamiento de señales y otros más avanzados tales como las
redes neuronales o la lógica difusa.
En las plantas modernas, hay enormes bases de datos que almacenan una gran
cantidad de variables de proceso. Partiendo de este punto, es posible extraer
información útil que está subyacentemente oculta en las señales y obtener las
relaciones entre los diferentes parámetros de los hornos altos. Este trabajo
realizado de manera clásica tomaría demasiado tiempo para hacerlo durante
las operaciones diarias de horno alto. Sin embargo, una vez realizado con las
técnicas modernas, y partiendo de los datos almacenados, sus resultados
pueden ser transferidas al computador de procesos de una manera que
permite que el operador de la planta pueda obtener una visión más
comprensible del significado de las variables actuales
En esta Tesis se muestran tanto la forma de aplicar las técnicas antes
mencionadas a algunas de las señales proporcionadas por las sondas
localizadas en el tragante y la cuba del horno alto como, también, los
resultados obtenidos.
El comportamiento de la parte superior del horno juega un papel decisivo en el
buen rendimiento de todo el horno. Las distribuciones del gas y de la carga
controlan la velocidad de reducción del mineral, determinan la forma y la
altura de la zona cohesiva y, por consiguiente, tienen una fuerte influencia en
el funcionamiento estable de los hornos altos.
El trabajo desarrollado se ha centrado principalmente en dos ámbitos:
III
Cómo se puede extraer información útil relacionada con los parámetros del
proceso y como controlar mejor la distribución de la carga desarrollando
modelos adecuados.
Las siguientes tareas se han llevado a cabo para alcanzar un objetivo común:
Se analizaron las señales de las sondas-termopares situados por encima de
la carga utilizándolas para establecer sus relaciones con la estabilidad de
todo el proceso.
Se desarrolló un estudio preliminar para establecer la influencia de otras
variables en los valores proporcionados por las sondas. Por lo tanto, se ha
demostrado que la velocidad de carga ocasiona cambios locales rápidos en
la temperatura del gas y, posteriormente, en la temperatura medida por
las sondas de la carga interior.
Las redes neuronales (los mapas autoorganizados o SOM) han sido la
herramienta seleccionada. Su capacidad ampliamente comprobada para la
tarea de clasificación las hace idóneas para extraer un conjunto de
patrones de los perfiles de temperatura que estaban vinculados con la
estabilidad del proceso. Quince de estos patrones se han usado para
evaluar todo el rendimiento del horno alto con 13 sondas situadas por
encima de la carga. Durante el desarrollo de la Tesis se ha comprobado
que estos patrones pueden agruparse en cinco clases principales de
acuerdo con el estado del horno alto. La primera clase representa los
períodos de alta estabilidad y con un rendimiento regular. La segunda
clase representa los periodos de comportamiento uniforme de horno alto
pero con una tendencia al empeoramiento. La tercera clase describe los
períodos de funcionamiento irregular de hornos altos. La cuarta clase
comprende los estados de alta inestabilidad con un mal funcionamiento y
IV
la quinta, sólo engloba a situaciones anormales relacionadas con las
paradas del horno alto.
Cada vez que se obtiene un perfil de temperatura de las sondas por
encima de la carga, se clasifica como perteneciente a una de las clases
representadas por los patrones y, posteriormente, se lleva a cabo un
diagnóstico válido del funcionamiento del horno alto. En algunos casos,
como consecuencia de los resultados obtenidos por las redes neuronales,
es posible pronosticar descuelgues y prevenir la alteración de la marcha
normal del horno con más de una hora de anticipación.
Una filosofía análoga es la que se ha desarrollado para aquellos hornos altos
equipados con 24 sondas termopares por encima de la carga relacionando las
señales obtenidas con parámetros de la marcha del horno.
V
ABSTRACT
Blast furnace practice has steadily changed from a purely experience-based
activity to a scientifically enhanced one. An important part of this evolution,
every time, deals with the introduction of more sophisticated sensing devices,
which report to plants operator useful information on the state of the process.
An up-to-date blast furnace is furnished with a large number of these sensing
devices, and this implies monitoring thousands of signals, that should be
presented to the operator in a meaningful way.
In more recent years, computers have made it possible to achieve a better
paramount of the blast furnace performance, allowing not only displaying the
variables but also establishing models, comparing different variables and
building up databases to store the variables and their evolution during the
process.
Unfortunately, it is not possible for a human being to analyse all the
information carried out by the sensing devices and computers, in real time. As
a result, plant operators tend to select a reduced number of variables for their
daily work, paying little or no attention to the remaining ones.
This fact means that part of the investment performed in blast furnace
equipment is not property profited and that a considerable part of the
information collected remains unemployed.
These problems can be overcome making use of modern techniques of data
mining. They comprise a broad set of methods such as: classical statistical
analysis; principal component analysis; signal processing and other more
advanced ones Iike neural networks or fuzzy logic.
VI
In modern plants, there are huge databases that store large collection of
process variables. Departing from this point, it is possible to extract useful
information buried in the signals and to obtain relationships among different
parameters of the blast furnace. This work takes too much time to be done
during daily B F operation. However, once performed, departing from the
stored data, its results can be re-transferred to the process computer in a
way that allows the plant operator to obtain a more comprehensible view on
the current variables meaning.
This Thesis shows ways to apply the aforementioned techniques to some of
the probes located in the throat and shaft of the blast furnace and also the
results obtained.
The behaviour of the upper part of the blast furnace plays a decisive role in the
good performance of the whole furnace. Gas and burden distributions control
the rate of ore reduction, determine the shape and height of the cohesive zone
and as a consequence, have a strong influence on the stable performance of
the blast furnace.
The work developed consisted of mainly two areas:
How to extract useful information on the stability of the process and how to
understand and control better the burden distribution.
The following tasks were undertaken under a common approach:
Thermocouple signals from above burden probes were analysed and employed
to establish their relationships with the stability of the whole process.
A preliminary study was developed to establish the influence of other variables
in the values cast by the probes. So, it has been proved that the charging rate
causes fast local changes in the gas temperature and subsequently in the
VII
temperature measured by the above burden probes.
Neural networks (self organising maps) was the tool selected. Their largely
proven capacity for classification task made them suitable to extract a set of
patterns from temperature profiles that were linked with the stability of the
process. Fifteen of such patterns have been employed to cover the whole
performance of the blast furnace. It has been proven, during the development
of the project, that these patterns can be regrouped in just five major classes
according to blast furnace performance. So, the first class stands for periods of
highly stability with a smooth performance. Second class represents periods of
regular blast furnace behaviour but prone to worsen. The third class describes
periods of irregular blast furnace performance. The fourth class comprises
states of high instability and bad performance and the fifth and last class only
covers abnormal situations related to blast stoppages or burden collapses.
Every time a new temperature profile is obtained from the above burden
probes, it is classified as belonging to one of the classes represented by the
patterns and subsequently a valid diagnosis on the blast furnace performance
is done. In some cases, following the results achieved by the neural networks,
it is possible to forecast hangings and burden collapses more than one hour in
advance.
Some of the blast furnaces involved in the project have included a new tool for
above burden probe interpretations, based on the aforementioned works that
allow the plant operator to obtain, not only the bare probe signals but also a
first interpretation of their meaning.
The effect of charging rate on the above burden probes, which means a
nuisance for the work just described, was employed for estimating the overall
ore to coke ratio. For this it was necessary to furnish the probes with a faster
VIII
data acquisition system. Once these modifications were done, the data
obtained were employed inside the main models. The results obtained are in
good agreement with indirect measurement taken by other sensing devices.
The model developed allows an on-line estimation of the ore to coke
distribution in the shaft.
IX
INDICE
1 ANTECEDENTES HISTÓRIC OS 1
INTRODUCCIÓN 1
1.1 HISTORIA DE LA SIDERURGIA EN ESPAÑA 3
1.2 LA SIDERURGIA ESPAÑOLA. SITUACIÓN ACTUAL 10
1.3 EL ACERO COMO MATERIAL ESTRUCTURAL. RELACIÓN CON OTROS MATERIALES 12
1.4 PROCESOS MINERALÚRGICOS BÁSICOS 14
1.4.1 REDUCCIÓN DE LOS MINERALES DE HIERRO 16
1.4.2 EMISIONES DE CO2. ENERGÍA UTILIZADA PARA DIVERSOS COMBUS TIBLES 18
1.4.2.1 V ÍAS DE OBTENCIÓN DE ACERO A PARTIR DE MINERAL 20
1.4.3 V ÍAS DE OBTENCIÓN DE ACERO A PARTIR DE PRERREDUCIDOS MINERALES 24
1.4.4 V ÍAS DE OBTENCIÓN DE ACERO A PARTIR DE CHATARRA 25
1.5 MATERIAS PRIMAS 27
1.5.1 LOS MINERALES DE HIERRO 28
1.5.2 SINTERIZACIÓN 29
1.5.3 PELETIZACIÓN 33
1.5.4 CARBÓN 35
1.5.4.1 COQUE SIDERÚRGICO 35
1.5.4.2 INYECCIÓN DE CARBÓN PULVERIZADO (PCI) 36
1.6 EL HORNO ALTO 37
1.6.1 INSTALACIONES PRINCIPALES DEL HORNO ALTO 39
1.6.1.1 SISTEMA DE EVACUACIÓN DEL GAS 39
1.6.1.2 CUERPO DEL HORNO 39
1.6.1.3 SISTEMA DE REFRIGERACIÓN DEL HORNO 42
1.6.1.4 SISTEMA DE CONTROL 43
1.6.2 PROCESO GENERAL DEL HORNO ALTO 46
1.6.2.1 REACCIONES DE LOS GAS ES CON LOS SÓLIDOS QUE DESCIENDEN AL
CRISOL 47
1.6.3 CONTROL DEL PROCESO DEL HORNO ALTO 52
1.6.4 PRODUCCIÓN, PRODUCTIVIDAD Y CAMPAÑA DEL HORNO ALTO 53
1.7 FUNCIONES DEL HORNO ALTO 55
1.8 EL ARRABIO, LA ESCORIA Y SU TRATAMIENTO 57
X
1.8.1 EL ARRABIO Y SU MANEJO 57
1.8.2 TRATAMIENTO DE LA ESCORIA 58
1.9 EL ACERO EN EL SIGLO XXI 59
1.9.1 CARBÓN 60
1.9.2 EL HIDRÓGENO 60
1.9.3 ELECTROLISIS 61
1.9.4 LA BIOMASA 61
1.9.5 CCS 62
BIBLIOGRAFÍA CAPÍTULO 1 63
2 REDES NEURONALES 65
INTRODUCCIÓN A LAS REDES NEURONALES 65
2.1 T IPOS DE REDES NEURONALES 67
2.1.1 PERCEPTRÓN MULTICAPA 67
2.1.2 REDES COMPETITIVAS 71
2.1.3 RED COMPETITIVA DE HAMMING 71
2.1.4 MAPAS AUTOORGANIZADOS 74
2.1.5 REDES L.V.Q ("LEARNING VECTOR QUANTIZATION") Y SUS MEJORAS 77
2.2 DESARROLLOS USANDO UNA RED NEURONAL BASADA EN UN MODELO DE
RECONOCIMIENTO DE PATRONES 79
BIBLIOGRAFÍA CAPÍTULO 2 87
3 PREVENCIÓN DE FALLOS EN UN HORNO ALTO CON 13 SONDAS DE TEMPERATURA POR
ENCIMA DE LA CARGA A PARTIR DE LA INTERPRETACIÓN DE LAS SEÑALES PROPORCIONADAS
POR ELLAS. 89
3.1 INTRODUCCIÓN 89
3.2 DESCRIPCIÓN DEL DISPOSITIVO 91
3.3 RECOPILACIÓN Y ANÁLISIS DE DATOS 94
3.4 PATRONES DE SONDAS SOBRE LA CARGA OBTENIDOS POR SOM 106
3.5 ANÁLISIS DE PATRONES OBTENIDOS 110
3.5.1 REAGRUPAMIENTO EN CLASES MAYORES 112
XI
3.6 RED NEURONAL PARA LA RECONSTRUCCI ÓN DE INFORMACIÓN 118
3.7 MODELO DE VALIDACIÓN 121
3.8 HERRAMIENTA DESARROLLADA PARA LA INTERPRETACIÓN DE SONDAS EN LÍNEA 128
BIBLIOGRAFÍA CAPÍTULO 3 131
4 CONTROL Y TOMA DE DECISIONES EN UN HORNO ALTO, CON 24 SONDAS ''ABOVE BURDEN'',
MEDIANTE REDES SOM 133
4.1 DESCRIPCIÓN DEL PROCESO ESTUDIADO 133
4.2 DESCRIPCIÓN DE LOS SENSORES Y SISTEMAS ANEJOS 133
4.2.1 SONDA SOBRE LA CARGA 133
4.2.2 PERFILES DE TEMPERATURA 135
4.2.2.1 EL SISTEMA DE REFRIGERACIÓN 137
4.2.2.2 IMPORTANCIA DE LA TEMPERATURA EN EL TRAGANTE 139
4.3 RECONOCIMIENTO DE PATRONES MEDIANTE REDES NEURONALES 140
4.3.1 INTRODUCCIÓN. UTILIZACIÓN DE REDES SOM 140
4.3.2 DEFINICIÓN DE LA RED SOM 141
4.3.3 TOPOLOGÍA DE LA RED 142
4.3.4 APRENDIZAJE 144
4.3.5 INTERPRETACIÓN DE RESULTADOS 146
4.4 APLICACIÓN DE LAS REDES SOM A UN HORNO ALTO 147
4.4.1 PLANTEAMIENTO DEL PR OBLEMA 148
4.4.2 CLASIFICACIÓN NO SUPERVISADA MEDIANTE SOM 153
4.4.2.1 ELECCIÓN DE LA RED NEURONAL 155
4.4.2.2 ENTRENAMIENTO DE LA PRIMERA RED SOM 158
4.4.2.3 ENTRENAMIENTO DE LA SEGUNDA RED SOM 160
4.4.2.4 RECONOCIMIENTO DE PATRONES 162
4.4.3 APLICACIÓN INDUSTRIAL 166
4.4.3.1 SOFTWARE DESARROLLADO 166
4.4.4 CORRELACIÓN ENTRE TEMP DEL ARRABIO Y LA CLASIF. DE LA SOM 168
BIBLIOGRAFÍA CAPITULO 4 171
XII
5 CONCLUSIONES 173
5.1 DISCUSIÓN DE LOS RESULTADOS OBTENIDOS PARA HORNOS CON 13 SONDAS
POR ENCIMA DE LA CARGA 173
5.2 DISCUSIÓN DE LOS RESULTADOS OBTENIDOS PARA HORNOS CON 24 SONDAS
POR ENCIMA DE LA CARGA 177
5.3 PERSPECTIVAS Y TRABAJOS FUTUROS 179
5.3.1 PARTE ALTA DEL HORNO, POR ENCIMA DE LA CARGA 179
5.3.2 MEDICIONES EN LA PARED, CUBA Y ETALAJES 181
5.3.3 ZONA DE TOBERAS Y 'RACEWAY' 182
5.3.4 CRISOL DEL HORNO Y NAVE DE COLADA 183
5.3.5 SELECCIÓN DE MODELOS 184
5.4 CONCLUSIONES 184
6 CONCLUSIONS 187
6.1 DISSCUSION OF THE RESULTS OBTAINED FOR BLAST FURNACES WITH 13 ABOVE BURDEN
PROBES 187
6.2 DISSCUSION OF THE RESULTS OBTAINED FOR BLAST FURNACES WITH 24 ABOVE BURDEN
PROBES 190
6.3 PERSPECTIVES AND FUTURE WORKS 193
6.3.1 UPPER PART OF THE FUR NACE, ABOVE THE BURDEN 193
6.3.2 MEASUREMENTS ON THE WALL, BOSHAND ETALAGES 194
6.3.3 ZONE OF TUYERES AND 'RACEWAY' 195
6.3.4 CRUCIBLE OF THE FURNACE AND CASTING BAY 196
6.3.5 MODELS 197
6.4 CONCLUSIONS 198
Publicaciones 201
XIII
LISTA DE FIGURAS
F IGURA 1.1 LA FORJA DE MIRANDAOLA (FERRERÍA VASCA) 5
F IGURA 1.2 A ANTIGUO HORNO ALTO DE LA CONCEPCIÓN (MARBELLA) 5
F IGURA 1.2 B ALZADO SUR DEL HORNO ALTO DE LA CONCEPCIÓN (MARBELLA) 6
F IGURA 1.3 SEPARADOR MAGNÉTICO 15
F IGURA 1.4 ELIMINACIÓN DE OXIGENO DURANTE LA REDUCCI ÓN DE FE2O3 A 1000 °C 17
F IGURA 1.5 BALANCE DE MATERIALES DE UN HORNO ALTO 23
F IGURA 1.6 PRODUCCIÓN ESPAÑOLA D E ACERO SEGÚN EL PROCESO 26
F IGURA 1.7 ESQUEMA DE UNA PLANTA DE SINTERIZACIÓN 30
F IGURA 1.8 MEJORA EN EL CONTROL DE LAS DIOXINAS EN EL PROCESO DE SINTERIZACIÓN 32
F IGURA 1.9 ESQUEMA DE H.A. MODERNO 38
F IGURA 1.10 PERFIL DE UN HORNO ALTO 41
F IGURA 1.11 DESCENSO DE LOS MATERIALES SÓLIDOS EN EL HORNO ALTO 45
F IGURA 1.12 RELACIONES ENTRE TEMPERATURA, % CO Y PRESIÓN INTERIOR 47
F IGURA 1.13 REACCIONES FUNDAMENTA LES 48
F IGURA 1.14 CURVAS DE EQUILIBRIO 49
F IGURA 1.15 REDUCCIÓN CON MEZCLA DE CO Y H2 50
F IGURA 2.1 ESQUEMA DE PERCEPTRÓN MULTICAPA 68
F IGURA 2.2 RED HAMMING (HAMMING NETWORK) 72
F IGURA 2.3 RED COMPETITIVA (’COMPETITIVE LAYER’) 73
F IGURA 2.4 MAPA AUTOORGANIZADO (FEATURE MAP) 75
F IGURA 2.5 RED L.V.Q 77
F IGURA 2.6 CAPA DE SIMPLE COMPETENCIA 80
F IGURA 2.7 CUANTIFICACIÓN DEL VECTOR DE APRENDIZAJE (LVQ) 82
F IGURA 2.8 EVOLUCIÓN DE UN PATRÓN PARTICULAR DURANTE EL ENTRENAMIENTO 84
F IGURA 2.9 EJEMPLO DE CLASIFICACIÓN DE TEMPERATURA PARA EL PATRÓN 1 85
F IGURA 2.10
EJEMPLO DE CLASIFICACIÓN DE TEMPERATURA EN EL PATRÓN 1 CON UN FALLO EN EL TERMOPAR Nº 5
86
F IGURA 3.1 POSICIÓN DE LAS SONDAS DE TEMPERATURA EN EL HORNO B OBJETO DE
ESTUDIO 93
F IGURA 3.2 POSICIÓN RELATIVA DE TERMOPARES CON RESPECTO AL EJE CENTRAL DEL H. A. 94
F IGURA 3.3 TEMPERATURAS MEDIAS D E LAS SONDAS SOBRE LA CARGA 98
F IGURA 3.4
CORRELACIÓN CRUZADA ENTRE EL VOLUMEN DE GASES Y LAS TEMPERATURAS DE LAS SONDAS SOBRE LA CARGA
99
XIV
F IGURA 3.5
CORRELACIÓN CRUZADA ENTRE EL NIVEL DE LA CARGA Y LA TEMPERATURA POR ENCIMA DE LA CARGA
101
F IGURA 3.6
CORRELACIÓN CRUZADA ENTRE EL CONSUMO DE COQUE Y LA TEMPERATURA POR ENCIMA DE LA CARGA
102
F IGURA 3.7
CORRELACIÓN CRUZADA ENTRE EL PCI Y LA TEMPERATURA POR ENCIMA DE LA CARGA
103
F IGURA 3.8
CORRELACIÓN CRUZADA ENTRE CARGAS/HORA Y LA TEMPERATURA POR ENCIMA DE LA CARGA
104
F IGURA 3.9
CORRELACIÓN CRUZADA ENTRE LA TEMPERATURA DE LOS GASES Y LA DE LAS SONDAS SOBRE LA CARGA
105
F IGURA 3.10 INTERFAZ DEL USUARIO DE LA RED NEURONAL (ENTRENAMIENTO) 108
F IGURA 3.11 PATRONES SOM OBTENIDOS TRAS EL ENTRENAMIENTO 111
F IGURA 3.12 EJEMPLO DE INTERPOLACIÓN SPLINE CUBICA PARA LAS CLASES 1, 5, 3 Y 6 112
F IGURA 3.13 GRAN CLASE 1. AGRUPA LAS CLASES 1, 3, 4, 7 Y 14 113
F IGURA 3.14 GRAN CLASE 2. AGRUPA LAS CLASES 2, 8 Y 10 114
F IGURA 3.15 GRAN CLASE 3. AGRUPA LAS CLASES 6 Y 11 115
F IGURA 3.16 GRAN CLASE 4. AGRUPA LAS CLASES 5, 12, 13 Y 15 116
F IGURA 3.17 GRAN CLASE 5. SOLO INCLUYE A LA CLASE 9 117
F IGURA 3.18
CLASES REORDENADAS POR FORMA SIMILAR, DE ACUERDO A LAS GRANDES
CLASES. (VERDE: GC1, AMARILLO: GC2, AZUL: GC3, ROJO: GC4 Y
MORADO: GC5)
118
F IGURA 3.19
RECONSTRUCCIÓN Y RECLASIFICACIÓN DE UN PERFIL AFECTADO POR EL SISTEMA DE REFRIGERACIÓN
119
F IGURA 3.20
RECONSTRUCCIÓN Y RECLASIFICACIÓN DE PERFI LES AFECTADOS POR EL SISTEMA DE REFRIGERACIÓN
120
F IGURA 3.21
DISTRIBUCIÓN ESTADÍSTICA DE LOS PERFILES DE TEMPERATURA SEGÚN LOS
PERFILES A LOS QUE PERTENECEN. (NEGRO: SEÑALES ORIGINALES; VERDE:
TRAS RECONSTRUIR LAS SEÑALES EN FORMA DE M)
121
F IGURA 3.22 EVOLUCIÓN TEMPORAL DE LOS PERFILES DE TEMPERATURA 122
F IGURA 3.23
CLASIFICACIÓN DE LAS TEMPERATURAS DE LAS SONDAS COLOCADAS SOB RE LA
CARGA DEL HORNO. COMPARACIÓN CON LAS M EDIDAS DE LAS BARRAS DE
CARGA ( INFERIOR)
123
F IGURA 3.24
CLASIFICACIÓN DE LAS TEMPERATURAS DE LAS SONDAS SUPERIORES EN UN
PERIODO DE 20 HORAS DE FUNCIONAMIENTO DEL H.A. COMPARACIÓN CON
LAS SEÑALES DE ALTURA DE LA CARGA Y LA CAÍDA DE PRESIÓN ENTRE
TRAGANTE Y TOBERAS
125
F IGURA 3.25
COMPARACIÓN ENTRE LAS CLASIFICACIONES DESPUÉS DE LA RECONSTRUCCIÓN
DE LOS PERFILES AFECTADOS POR EL SISTEMA DE REFRIGERACIÓN (SUP) Y LOS
PERFILES ORIGINALES (INF)
126
F IGURA 3.26 INTERFAZ DEL USUARIO 128
F IGURA 4.1 COTAS DEL HORNO ALTO Y DETALLE DE LOS TERMOPARES 134
F IGURA 4.2 ESQUEMA DE UN HORNO ALTO 135
XV
F IGURA 4.3 SONDA “ABOVE BURDEN” 136
F IGURA 4.4
PATRÓN DE TEMPERATURA EN FORMA DE M, PRODUCIDO POR LA ACCIÓN DEL SISTEMA DE ENFRIAMIENTO
137
F IGURA 4.5 RELACIONES DE VECINDAD EN UNA SOM DE MALLA RECTANGULAR 140
F IGURA 4.6 RELACIONES DE VECINDAD EN UNA SOM DE MALLA HEXAGONAL 141
F IGURA 4.7 RELACIONES DE VECINDAD EN UNA SOM DE MALLA IRREGULAR 143
F IGURA 4.8 ARQUITECTURA DE LA RED SOM (AUTOORGANIZADA) 144
F IGURA 4.9 REPRESENTACIÓN/RELACIÓN ENTRE ENTRADAS Y SALIDAS EN UNA SOM 145
F IGURA 4.10 ESTADÍSTICAS DE LOS DATOS DE TEMPERATURA 148
F IGURA 4.11 ESTADÍSTICAS DE LA TEMPERATURA DEL ARRABIO 149
F IGURA 4.12 PATRÓN DE TEMPERATURA ÓPTIMO 153
F IGURA 4.13 PATRÓN DE TEMPERATURA SUBÓPTIMO 153
F IGURA 4.14 PATRÓN DE TEMPERATURA REGULAR 154
F IGURA 4.15
HISTOGRAMA DE LOS DATOS CLASIFICADOS SEGÚN LAS 6 CLASES DE LA TABLA 4.1
155
F IGURA 4.16
HISTOGRAMA DE LOS DATOS CLASIFICADOS SEGÚN LAS 6 CLASES DE LA TABLA
4.1, CON LAS CLASES “ÓPTIMO” Y “SUBÓPTIMO” REDUCIDAS DEBIDO A UNA RED SOM AUXILIAR
157
F IGURA 4.17
GRÁFICA DE LA SOM AUXILIAR MOSTRANDO CUÁNTAS VECES HA GANADO CADA NEURONA DURANTE EL APRENDIZAJE
158
F IGURA 4.18
U-MATRIZ DE LA SOM AUXILIAR: LOS COLORES CLAROS I NDICAN QUE LAS
NEURONAS ESTÁN CERCA NAS ENTRE SÍ MIENTRAS QUE LOS COLORES OSCUROS INDICAN UNA DISTANCIA MAYOR
159
F IGURA 4.19
GRÁFICA DE LA SOM MOSTRANDO CUÁNTAS VECES HA GANADO CADA
NEURONA DURANTE EL A PRENDIZAJE
160
F IGURA 4.20
U-MATRIZ DE LA SOM: LOS COLORES CLAROS INDICAN QUE LAS NEURONAS
ESTÁN CERCANAS ENTRE SÍ MIENTRAS QUE LOS COLORES OSCUROS INDICAN UNA DISTANCIA MAYOR
161
F IGURA 4.21
PATRONES DE TEMPERATURA OBTENIDOS AL ENTRENAR LA RED SOM AUXILIAR DE 13 × 13 NEURONAS
162
F IGURA 4.22
PATRONES DE TEMPERATURA OBTENIDOS AL ENTRENAR LA RED SOM DE 10 × 10 NEURONAS
164
F IGURA 4.23
EJEMPLO DE CLASIFICACIÓN AUTOMÁTICA DE UN PATRÓN DE TEMPERATURA “ÓPTIMO”
166
F IGURA 4.24
EJEMPLO DE CLASIFICACIÓN AUTOMÁTICA DE UN PATRÓN DE TEMPERATURA “REGULAR”
167
F IGURA 4.25
EJEMPLO DE CLASIFICACIÓN AUTOMÁTICA DE UN PATRÓN DE TEMPERATURA “MALO”
168
F IGURA 4.26
COEFICIENTES DE CORRELACIÓN Y P-VALORES ASOCIADOS A LA HIPÓTESIS DE
QUE NO HAYA CORRELACIÓN SIGNIFICATIVA EN FUNCIÓN DEL TIEMPO
TRANSCURRIDO DESDE QUE SE INTRODUCE UNA NUEVA CARGA EN EL HORNO
170
XVI
LISTA DE TABLAS
TABLA 1.1. ESTADÍSTICAS PUBLICADAS POR EL IISI (VALOR ACTUALIZADO A 2011) 13
TABLA 1.2 EMISIONES SEGÚN EL TIPO DE COMBUSTIBLE 18
TABLA 1.3 RATIO DE EMISIONES DE CO2 (2010 - WORLDSTEEL) 19
TABLA 1.4 GRANULOMETRÍAS Y PRECIOS 23
TABLA 1.5 CONTROL DE MATERIALES Y FLUIDOS DE ENTRADA Y SALIDA DEL HORNO ALTO 53
TABLA 3.1
RESULTADOS ESTADÍSTICOS DE LAS SONDAS DE TEMPERATURA
POR ENCIMA DE LA CARGA
96
TABLA 4.1 CLASIFICACIÓN MATEMÁTICA DE LOS PATRONES DE TEMPERATURA 151
Capitulo 1 Introducción
1
CAPÍTULO 1
ANTECEDENTES HISTÓRICOS
1. INT ROD UCCIÓ N
La utilización del bronce y el cobre fue anterior a la del hierro. Este retraso
puede explicarse por el elevado punto de fusión del hierro puro, que hacía
prácticamente imposible que una vez tratados sus minerales se pudiese
obtener en forma líquida separado de la escoria [1]. Los hititas fueron el
primer pueblo con conocimientos siderúrgicos, y de que ya desde los años
4000 al 3000 a. C., el hierro se empleaba en el antiguo Egipto, donde se
fabricaron herramientas de hierro para la construcción de las pirámides. Hacia
el año 1000 a. C., en los países que rodean el Mediterráneo, la cultura del
hierro se fue expandiendo. Los fenicios extendieron más tarde su comercio del
hierro y de los metales por todo el mundo conocido.
El otro encuentro del hierro con el hombre sería casual. Seguramente preparó
un hogar con ayuda de piedras de mineral y al cabo del tiempo, en ese hogar
con combustibles carbonosos, se dio cuenta que había aparecido un material
dúctil y maleable. Pero, seguramente también por casualidad, encontró que lo
podía endurecer por la adición de carbono, es decir, por cementación.
Enseguida descubrió que llevándolo a una alta temperatura y enfriándolo en
agua, podría aun mejorar este proceso de endurecimiento: así se descubrió el
temple.
Nuestros antepasados metalúrgicos se las ingeniaron para, reproduciendo
todo lo que la casualidad y, al fin, su experiencia les había mostrado, poner a
punto la reducción directa del mineral.
Capitulo 1 Introducción
2
Rodeaban el mineral totalmente de carbón de leña y provocaban de esta
forma el paso del óxido de hierro a hierro. Estos métodos rudimentarios de
que disponía el hombre primitivo para activar la combustión en su pequeño
horno, que construía en el suelo, no permitían lógicamente obtener una
temperatura lo suficientemente elevada para fundir el metal. En su lugar
obtenían una masa esponjosa, pastosa, mezcla de hierro y escoria que había
que martillear repetidamente al rojo vivo, para eliminar la escoria e impurezas.
En todo caso, aunque al principio la obtención accidental del hierro colado o
fundición, pareció una desgracia dada su fragilidad, lentamente se fue
reconociendo su verdadera importancia y seguramente que la palabra afino
que utilizamos hoy en día para la obtención del acero a partir del hierro colado
o arrabio, surgió entonces.
En aquel momento los esfuerzos del hombre siderúrgico tuvieron varias
opciones;
Por una parte se desarrollaron los hornos hasta llegar a los hornos altos
actuales, donde más adelante se sustituyó el carbón de leña por la hulla, y más
concretamente por el coque. Esta sustitución fue una necesidad, porque en las
comarcas donde estaban establecidas las empresas siderúrgicas se estaba
produciendo un continuo agotamiento de sus bosques.
Otro paso, más paulatino, consistió en ir aumentando las alturas de los hornos,
con lo que, y precisamente aprovechando las características resistentes del
coque, se podía aumentar las cargas de los mismos y en consecuencia su
producción. El tercer paso lo constituye el desarrollo para mejorar la marcha
del horno mediante el aumento, primero de la ventilación y más tarde del
calentamiento del aire soplado.
Capitulo 1 Introducción
3
El invento trascendental ocurrió en 1855, cuando Sir Henry Bessemer
desarrolló el convertidor con soplado de aire (“oxígeno no puro”) por el fondo,
que marca el paso revolucionario de la obtención del acero a partir del hierro
colado o arrabio producido en el horno alto. Este importante desarrollo lo
completa Thomas en 1873, al conseguir convertir el hierro colado de alto
contenido en fósforo en acero de calidad, utilizando un convertidor similar
pero con revestimiento básico.
El siglo XIX fue igualmente fértil en el desarrollo de tecnologías de
transformación del acero producido, tales como una serie de técnicas de
laminación para obtener productos planos y largos (chapas, vigas, carriles,
tubos, etc.), así como en el desarrollo de máquinas y equipos de amplia
aplicación en la siderurgia. Se obtuvo así el acero con un contenido controlado
de C y una presencia limitada de impurezas.
1.1 H I STO RI A DE L A SI DER U RGIA EN ESPAÑA
En España, los ligures primero y los celtas y romanos después, descubrieron
enseguida nuestras riquezas en mineral de hierro e implantaron sus
rudimentarias industrias siderúrgicas, poco después de que comenzase la gran
difusión del hierro por el Mediterráneo [2].
Se destacan las favorables condiciones que ofrecían las zonas del Moncayo,
Inbilbilis (Calatayud) y Turiason (Tarazona) como región minera en la época
celtibérica [3], la abundancia y dispersión de pequeños y grandes yacimientos
superficiales de goethita y limonita de alta ley, fácilmente explotables por los
antiguos, así como la buena disponibilidad de combustible.
Capitulo 1 Introducción
4
Los hornos de aquella época eran de grandes dimensiones, excavados en la
roca y revestidos de material refractario de alta calidad, y siempre situados en
una zona de paso privilegiado de viento
El análisis de las escorias, típicas del mundo celtíbero, indica la fabricación de
hierro dulce o acero de bajo contenido en carbono mediante un proceso de
reducción de la goethita sin uso de fundentes, y la posterior eliminación en
caliente de los residuos escoriáceos de las masas semifundidas a temperaturas
de 1100 a 1150 °C. Se estima que en alguno de aquellos hornos se obtuvieron
unas 100 Tm de metal, lo que se considera una cantidad importante para las
exiguas necesidades de la época.
Los métodos de forja y temple de los celtíberos, que no son conocidos con
precisión, sin duda constituyeron una técnica muy elaborada en la fabricación
de armas, la industria más afamada que la Celtiberia aportó al mundo romano,
adquiriendo justa fama entre estos por la alta calidad y temple de las espadas
allí fabricadas.
También hay que destacar el desarrollo de la producción de acero que
lograron los árabes que habían invadido la Península Ibérica. En Toledo
conocieron las técnicas de producción que llegaron a dar gran prestigio a las
espadas de Damasco. El proceso de Damasco, como se sabe, estaba basado en
la producción de acero líquido de alto contenido en carbono, tal como se llegó
a hacer en algunos lugares de la India, y en la forja perfecta del acero.
Después de las “ferrerías de monte” (haizeloa u horno de viento) que
funcionaron hasta mediados del siglo XIV, se produce otro despegue
espectacular de la siderurgia española sobre todo en dos regiones, Cataluña y
el País Vasco, allí donde se encuentra el agua motriz, el mineral y el
combustible, lo que hace posible la instalación de las “fargas” catalanas y las
ferrerías vascas (Figura 1.1).
Capitulo 1 Introducción
5
Figura 1.1.- La forja de Mirandaola (ferrería vasca).
No podemos olvidar otra región de gran tradición metalúrgica, Asturias, donde
existían asimismo numerosas ferrerías ya en los comienzos del siglo XVIII.
Algunos consideran como primer horno alto el que establecería el Marqués de
Sargadelos en esa localidad gallega en 1797, mientras que otros consideran
que fue en Andalucía donde estuvo el origen.
Figura 1.2 a.- Antiguo horno alto de La Concepción (Marbella)
Capitulo 1 Introducción
6
En el año 1832 se construye en Marbella (Málaga) el primero de un conjunto
de seis hornos altos, la Sociedad Anónima de la Ferrería de Nuestra Señora de
la Concepción (figuras 1.2 a y b), llego a disponer de tres hornos [4], y más
tarde, Joan Giró construyó otros tres hornos altos en El Ángel. Aquí se llegó a
fabricar el 72% del hierro que se obtenía en España, utilizando mineral
procedente en su mayoría de la finca de El Peñoncillo (Ojén), mina que se
explotó hasta 1931. Estos hornos podían tener 8 metros de diámetro y unos
10 ó 12 metros de altura [5].
Figura 1.2 b.- Alzado sur del horno alto de La Concepción (Marbella)
Pero la producción en hornos de carbón vegetal resultaba mucho más cara que
la obtenida por medio de carbón de coque: en el año 1855 la tonelada de
hierro colado tenía un precio de coste de 632 reales en Málaga y 348 reales en
Asturias.
En Andalucía se montaron también algunos hornos altos en Huelva y Sevilla,
que fracasaron. En 1857, se fundó la factoría sevillana Portillo Hermanos &
Capitulo 1 Introducción
7
White dedicada a fabricar máquinas de vapor, sin excesivo éxito, pues sólo
entregó 47 máquinas entre 1860 y 1867.
En Cataluña se desarrolló El Vapor de los hermanos Bonaplata (1832-35) y la
Maquinista Terrestre y Marítima.
Se sabe que en 1844 funcionaban los hornos altos Daoiz y Velarde de la Fábrica
de Cañones de Trubia, dirigida por el general Elorza. En Mieres, donde se había
fundado un horno alto en 1848, se creó la Sociedad Duro y Cía. La Felguera en
1857. Estas siderurgias utilizaban coque y es la razón por la que la industria
asturiana (que contaba con el carbón a pie de fábrica) tomó la delantera en los
años sesenta del siglo XIX, desplazando a Andalucía y Cataluña.
En Vizcaya el 14 de junio de 1848 arrancó el horno alto de carbón vegetal de la
sociedad “Santa Ana”, situado en Bolueta. A partir de 1860, la compañía
Ybarra impulsó la instalación de Altos Hornos en Baracaldo que, desde 1865,
introdujeron el uso de coque.
En 1858 el horno alto de la Fábrica de la Vega, en Langreo, que disponía ya de
baterías de coque. La minería del carbón y del hierro favorecería la captación
del capital extranjero y la generación de capitales propios para la creación de
la siderurgia asturiana y vizcaína. Las limonitas y los hematites bajos en fósforo
existentes en el anticlinal de Bilbao constituían las mejores minas europeas, y
eran especialmente adecuados para el empleo del convertidor Bessemer,
recién inventado en 1855, estando además excelentemente comunicados por
ferrocarril y cable aéreo con los cargaderos de la ría y puerto de Bilbao. En el
quinquenio 1866/70 se produjeron un promedio de 159.000 t de mineral/año,
producción que llegó a la cifra, muy elevada para la época, de 5.487.000 t
mineral/año de promedio en el quinquenio 1896/1900.
En 1866, según los datos de la encuesta gubernativa, había 27 hornos altos de
carbón vegetal y ocho de coque. Pero la demanda de hierro crecía mucho más
Capitulo 1 Introducción
8
rápido que la producción nacional, por lo que se importaba parte de las
necesidades.
En buena parte el problema de la siderurgia española en este periodo estuvo
en la mala localización inicial y en la carencia de inversiones [6], lo que produjo
escasos beneficios o pérdidas acumuladas. El resultado fue un retraso evidente
de nuestra siderurgia con respecto a la de los países europeos más
desarrollados.
En 1875 existían tres importantes empresas asturianas. En ese año el francés
Numa Guilhou funda la sociedad Fábrica de Mieres, contando con dos hornos
altos y baterías de coque. También en 1875 la empresa Duro y Compañía, cuyo
principal promotor fue el logroñés Pedro Duro (arrancó su primer horno el 5
de enero de 1860), producía ya un tercio del hierro español y pasaría a ser
Duro Felguera a partir de 1904. La tercera gran empresa asturiana fue la
Fábrica de Moreda y Gijón, constituida con capital francés y dirigida por los
ingenieros franceses hermanos Claudel.
En 1880 arrancan en Sestao los dos hornos altos de la nueva compañía San
Francisco de la Mudela, creada por el Marqués de la Mudela y su sobrino
Martínez de las Rivas, importantes productores de mineral, fabricando en 1881
un tercio del hierro español y siendo hasta 1885 la mayor siderúrgica española.
En 1882 se constituye la empresa Sociedad Anónima de Metalurgia y
Construcciones “Vizcaya” (La Vizcaya), con el 100% de capital bilbaíno y con
tecnología belga, impulsada por tres ingenieros: los hermanos Chávarri y J. A.
de Olano. Víctor Chávarri sería un personaje decisivo, que logró el arranque de
los hornos altos de Sestao el 17 de junio y el 8 de diciembre de 1885. Puso en
marcha la batería de coque en 1889, trabajando hasta entonces con coque
inglés y llegando a ser la segunda empresa siderúrgica española, tras Altos
Hornos de Bilbao (AHB).
Capitulo 1 Introducción
9
En 1882 se constituye Altos Hornos de Bilbao, en Sestao, sobre los terrenos de
la fábrica de El Carmen. El capital procedía de Madrid (Urquijo, etc.), Cataluña
(Girona, etc.), Francia (Angoloti, etc.) y del grupo vasco, principalmente Ybarra,
Zubiría y Vilallonga. El ingeniero catalán Vilallonga, de familia siderúrgica y
yerno de Ybarra, fue su primer presidente. La tecnología fue inglesa y los
nuevos hornos entraron en servicio en 1887 y 1888, arrancando los
convertidores Bessemer el 4 de febrero de 1886. En 1885 AHB era la segunda
compañía en España, entre todas las existentes dedicadas a cualquier actividad
tras la empresa de capital inglés Compañía Río Tinto. El desarrollo tecnológico
de las tres empresas vizcaínas fue espectacular, con aumentos paulatinos e
importantes de la productividad, de tal forma que en 1890 producían ya el
67% del lingote de hierro español, la práctica totalidad del acero Bessemer, el
64% del acero Martin-Siemens y el 67% de los productos laminados y
martillados.
Tras un breve antecedente de una planta en Ronda (Málaga), la hojalata
empezó a producirse por inmersión en baños de Sn fundido en la fábrica de La
Iberia (1887) y en La Basconia (1894), ambas cerca de Bilbao, compañías estas
que se integraron luego en AHV. El 26 de junio de 1901 las sociedades La
Vizcaya, AHB y la dedicada a la producción de hojalata La Iberia, acuerdan
integrarse en una nueva compañía denominada Altos Hornos de Vizcaya
(AHV). En 1919, absorbió a la siderurgia integral de San Francisco de Sestao y
en 1940 a la Compañía Siderúrgica del Mediterráneo de Sagunto (fundada en
1914). AHV lideró el sector siderúrgico español hasta bien entrada la segunda
mitad del siglo XX.
El 15 de junio de 1950 el Gobierno dictó un decreto encargando al INI la
construcción de ENSIDESA, en Avilés, que arrancó sus hornos altos en 1957,
1958, 1966 y 1969, pasando a ser la primera siderurgia del país. Las tres
primeras siderurgias asturianas antes aludidas arrancaron nuevos hornos altos
Capitulo 1 Introducción
10
entre 1955 y 1959, para fusionarse al comienzo de los años 60.
Posteriormente, y acogiéndose a la acción concertada del Gobierno, crearon la
nueva siderurgia integral UNINSA en 1966, que reforzaría la posición de
ENSIDESA al ser absorbida por ésta a finales de 1973. Por otra parte en 1904 se
instaló en España el primer horno eléctrico para producción de acero en Araya
(Álava). Y en 1960 arrancó la primera instalación española de colada continua
en San Adrián de Besos (Barcelona). Con el horno eléctrico y la colada continua
se originó el concepto de miniplanta, principalmente para la producción de
redondos para hormigón. La presencia de las miniplantas en España ha
significado una importante contribución a la producción global de la siderurgia
española.
1.2 LA SI DER U RGI A ESPAÑOL A . S I TUACIÓ N ACTUAL
La producción europea fue seriamente afectada por la crisis económica en los
sectores consumidores, reduciéndose la producción de acero bruto en el año
2008 en un 5,7%, con una producción total de 198 millones de toneladas.
La siderurgia española no ha sido inmune a los problemas de la economía
mundial, agudizados en el caso de la economía española: a la disminución de la
demanda en el sector de la construcción, que ya había comenzado en 2007, se
unió, la crisis de confianza que siguió al colapso de la banca norteamericana de
inversión, que se extendió desde el mundo financiero a la economía real [7].
En 2008, el negocio siderúrgico estuvo marcado por los dos extremos del ciclo:
en el primer semestre se vivió la mayor escalada de demanda y precios en los
últimos cincuenta años, la demanda de materias primas (agrícolas, mineras y
energéticas) llevó a la inflación a máximos en la década. Sin embargo, la brusca
desaceleración del último cuatrimestre supuso la evaporación de la burbuja de
Capitulo 1 Introducción
11
las materias primas, en particular de las energéticas, y en el ámbito siderúrgico
la reducción, por primera vez en diez años, de la producción mundial de acero.
En ese contexto, agravado en España por la crisis del sector de la construcción,
las empresas españolas redoblaron el esfuerzo exportador para compensar la
caída de la demanda interna, con una clara orientación hacia los terceros
países.
La producción total de acero bruto disminuyó ligeramente en el conjunto del
año, aunque con un descenso más acusado en la parte final del mismo.
Las importaciones, y en particular las procedentes de terceros países,
disminuyeron, en total, el 22% en el conjunto del año, lo que unido a un
importante aumento de las exportaciones (19%), dio como resultado que la
balanza comercial siderúrgica haya sido positiva en valor y con una mejora del
70% en volumen, aunque España siga siendo un importador neto de productos
siderúrgicos.
El consumo aparente de productos siderúrgicos descendió el 23%, siendo
mucho más acusado el descenso en productos largos (- 27%), que en
productos planos (- 16%).
La producción total de acero bruto en el año 2008 disminuyó ligeramente
respecto del año 2007 (- 1,9%) hasta situarse en 18,6 millones de toneladas
[8], aunque con un comportamiento dispar a lo largo del año, en consonancia
con el patrón de la siderurgia europea: mientras que hasta el verano la
producción creció a un ritmo de máximos históricos, desde el mes de
septiembre se produjo un parón en el mercado que no pudo ser absorbido por
la actividad exportadora de las empresas: en el mes de diciembre la
producción fue de 0,727 Mt, lo que representa un descenso del 48% respecto
de diciembre de 2007 y una cifra en valor absoluto similar a la del año 1996,
Capitulo 1 Introducción
12
mucho antes de que entrasen en producción las nuevas capacidades instaladas
en la siderurgia española.
La producción anual de aceros aleados, tanto inoxidables como del resto de los
aceros aleados, disminuyó en conjunto el 10% y el 9% respectivamente,
mientras que la de acero común, tanto planos como largos, mantuvo un mejor
comportamiento, sobre todo merced a los productos largos, con una
disminución anual del 1% en el conjunto de esa calidad.
La siderurgia española sigue manteniendo el perfil de “horno eléctrico” en
contraposición con la siderurgia mundial, basada en la producción vía horno
alto. En el año 2008 la cuota de producción de horno eléctrico alcanzó el 78%
del total de la producción de acero bruto.
La producción de laminados en caliente descendió el 3,3% respecto del año
2007, hasta situarse en 18,1 millones de toneladas. La reducción fue más
acusada en productos planos (- 7,2%) que en productos largos (- 1,3%).
Como consecuencia de la bajada de la demanda de acero, la mayoría de los
hornos altos europeos, incluidos los dos españoles, no han estado empleando
la inyección de carbón pulverizado (PCI) hasta el segundo semestre de 2009.
1.3 EL ACE RO COMO MATER IA L EST RUC TU RAL . REL ACIÓN CO N OTRO S
MATE RI ALES .
El acero es uno de los materiales estructurales de mayor impacto económico.
En la tabla 1.1 se observa la importancia del mercado de diversos materiales
estructurales capaces de competir con él en diversas aplicaciones [9]. El acero
es el material con mayor mercado en la actualidad, 550 mil millones de €, que
Capitulo 1 Introducción
13
para una producción de 1130 millones de toneladas anuales supone un precio
especifico de 490 € la tonelada, o aproximadamente de 0,50 euros el kg.
Producción anual (millones de toneladas)
Acero Aluminio Magnesio Plástico
1975 595 13 0.24 27
2005 1130 39,5 0,61 224
∆ + 90% + 204% + 154% +730%
Valor (mil millones de € anuales)
553 70 15 255
Tabla 1.1. Estadísticas publicadas por el IISI (valor actualizado a 2011)
El aluminio, otro material metálico que compite con el acero, destaca en que la
cantidad producida en peso es 25 veces inferior, sin embargo la producción de
aluminio se ha multiplicado por tres en el periodo analizado, mientras que la
producción de acero no ha llegado a duplicarse. El precio del aluminio es muy
superior, 1.770 € / t, es decir más de 3 veces el del acero.
El caso del magnesio corresponde al de un material costoso, 24,6 €/ kg, lo que
limita su utilización como mineral estructural de bajo precio, quedando solo
para aplicaciones muy especiales que justifiquen su uso en forma de
aleaciones. El volumen de producción es muy pequeño y difícilmente afectará
al mercado del acero a medio plazo.
En el caso de los materiales plásticos, el volumen de producción y el
incremento del mercado indican unas posibilidades de desarrollo capaces de
inquietar al mercado del acero a medio plazo. La producción de plásticos se ha
multiplicado por ocho en el periodo 1970-2005. La potencialidad de este
material como material estructural es muy importante considerando sus
densidades, 1 g/cm3, el plástico y siete el acero. El precio por unidad de peso
Capitulo 1 Introducción
14
es más elevado que el del acero, alrededor de 1 €/kg, con la posibilidad de
fabricar paneles de revestimiento lo que lo convierte en un material barato si
lo referimos a m2 de panel. Las diferentes propiedades estructurales de los
aceros hacen difícil la concurrencia competitiva de ambos productos para usos
concretos.
La siderurgia actualmente está en un proceso de renovación por las demandas
del mercado, construcción de barcos, vehículos de transporte y edificaciones
de gran altura, por lo que es posible que se haga necesaria una reingeniería de
los procesos siderúrgicos haciéndoles más eficientes y disminuyendo los costes
de fabricación. Es especialmente interesante la posibilidad de reciclar los
productos siderúrgicos al final del ciclo de vida mediante técnicas magnéticas
de recogida.
El efecto de emisión de CO2 puede quedar muy disminuido si el porcentaje de
acero procedente de la chatarra aumenta al 70%. El coste de fabricación del
acero en los hornos eléctricos también quedaría muy ajustado si la energía
eléctrica utilizada fuera exclusivamente de origen nuclear, cuyo precio es del
orden de la mitad del kWh de origen térmico.
1.4 PROCESO S MI NE RALÚ RGI C OS BÁSICO S .
Los minerales antes de ser poder ser utilizados son normalmente procesados
[10] siguiendo las etapas:
1. Arranque
2. Trituración y Molienda,
3. Cribado,
Capitulo 1 Introducción
15
4. Concentración (Magnética, Medios Densos, Flotación, Tostación
magnetizante...)
5. Lavado
6. Secado
7. Mezclado
8. Aglomeración (Sinterización - Peletización)
En la figura 1.3 se observa un dispositivo para separar con imanes naturales y
una virola giratoria para la separación de magnetita de otros minerales que no
contienen hierro y carecen de carácter magnético. Así es posible obtener
concentrados de magnetita del 95% de pureza. La magnetita puede ser natural
o sintética, esta última puede ser obtenida a partir de la hematites Fe2O3 o de
la goethita por tratamientos térmicos en atmósferas reductoras de CO o de H2.
Figura 1.3 Separador magnético
Es posible obtener con técnicas mineralúrgicas, como la separación magnética
de alta intensidad por vía húmeda o la flotación, superconcentrados de
hematites, goethita y magnetita de granulometrías inferiores a 8 mm,
características del sinter feed o concentrados de granulometría fina para
fabricar sínter.
También se pueden obtener por técnicas de separación concentrados de
Capitulo 1 Introducción
16
granulometría más fina, pellet-feed, que se utilizan para producir pelets
cocidos de naturaleza hematítica 11.
Una vez obtenidos los concentrados con alto contenido en mineral de hierro se
realizan las etapas finales de:
9. Reducción,
10. Fusión con separación de escorias y
11. Conformación
La reducción de los óxidos de hierro se realiza en etapas (figura 1.4), pasando
del Fe(III) a Fe(0). Los gases usados en la reducción son monóxido de carbono
(CO) e/o hidrogeno diatómico (H2).
La reducción de la hematites y la goethita, sustancias que contiene Fe(III),
produce un compuesto que contiene el hierro en los estados Fe(III) y Fe(II), la
magnetita Fe2O3 · FeO. La reducción de la magnetita conduce a la wustita, FeO,
sustancia de Fe(II). Finalmente una última reducción de la wustita nos lleva al
hierro metálico Fe(0)
1.4.1 REDUCCIÓN DE LOS MINERALES DE HIERRO
Si se utiliza H2 ó CO, la reducción se rige por la cinética y las condiciones de
equilibrio.
A continuación se muestran las ecuaciones de reducción por etapas de los
óxidos de hierro, empleando el hidrógeno como agente reductor
3 Fe2O3 + H2 → 2 Fe3O4 + H2O
Fe3O4 + H2 → 3 FeO + H2O
FeO + H2 → Fe + H2O
Capitulo 1 Introducción
17
La reducción de oxido de hierro mediante carbón sólido a alta temperatura
(1100 °C) es una reacción indirecta que se produce después de una formación
inicial de monóxido de carbono:
2C + O2 → 2CO
CO2 + C → 2CO
3 Fe2O3 + CO → 2Fe3O4 + CO2
Fe3O4 + CO → 3FeO + CO2
FeO + CO → Fe + CO2
El CO (gas) es un reductor químicamente muy activo. La reducción directa
carbón sólido-mineral sólido, por consideraciones cinéticas es poco
significativa.
∆ H (M J / kg mol)
Fe2O3 + 3 H2 → 2 Fe + 3 H2O 98,5
Fe2O3 + 1.5 C → 2 Fe + 1.5 CO2 233
Fe2O3 + 3 C → 2 Fe + 3 CO 492
Figura 1.4. Eliminación de oxigeno durante la reducción de Fe2O3 a 1000 °C
Capitulo 1 Introducción
18
1.4.2 EMISIONES DE CO2. ENERGÍA UTILIZADA PARA DIVERSOS COMBUSTIBLES
Algunas ecuaciones características de la combustión son las siguientes
a) con Carbono
C + O2 → CO2 94 kcal/mol de C = 393 kJ/mol CO2 < > 7,8 kcal/g de C
CO + ½ O2 → CO2 68 kcal/mol de CO2 = 284 kJ/mol CO2 < > 1,8 kcal/g de CO
C + ½ O2 → CO 26 kcal/mol de C = 109 kJ/mol C < > 2,2 kcal/g de C
b) con Hidrógeno
H2 + ½ O2 → H2O 68,3 kcal/mol de H2O < > 34,1 kcal/mol de H2
c) Gas Natural
CH4 + 2 O2 → CO2 + 2 H2O 213 kcal/mol de CH4 = 890 kJ/mol CH4 < > 13,3
kcal/g de CH4
Combustible (1 gramo) kcal g de CO2 g CO2 / kcal
C 7,8 3,7 0,47
CO 1,8 1,2 0,66
CH4 13,3 2,75 0,21
H2 34,1 0 0
Tabla 1.2. Emisiones según el tipo de combustible
Los combustibles hidrogenados producen unas significativas reducciones en
cuanto a las emisiones de CO2. El hidrógeno aun siendo muy exotérmico, no
produce ninguna emisión de CO2
Capitulo 1 Introducción
19
Según los datos de UNESID (tabla 1.3), la producción de acero en España ha
aumentado, en el periodo 1990 – 2006 en un 73%, fabricando productos más
elaborados, mientras que las emisiones de gases de efecto invernadero, entre
los que se encuentra el CO2, han disminuido un 13% en ese mismo periodo.
1990 2000 2002 2006 2010
Mt % Mt % Mt % Mt % Mt %
Producción de acero
acabado 10,8 100 14,5 134.3 15.9 147,2 18,4 173,1 16,3 150,9
Emisiones de CO2 14,0 100 10,4 74,2 10.7 76,4 12,1 86,5 10,7 76,5
Emisiones específicas
t de CO2/ t de acero 1,30 100 0,72 55,3 0,67 51,9 0,66 51,1 0,57 43,8
Tabla 1.3. Ratio de emisiones de CO2 (2010 - Worldsteel)
La gran disminución de las emisiones de CO2 en el periodo 1990-2000 está
relacionada con la modernización de las instalaciones siderúrgicas, con dos
hornos capaces de producir entre ambos 5,5 millones de toneladas anuales de
acero, y un consumo de coque más carbón de 450 kg por tonelada de arrabio.
Una tonelada de arrabio equivale, aproximadamente, a 1 tonelada de acero ya
que las pérdidas por formación de CO2 y el Fe oxidado que pasa a la escoria
son inferiores a los 100 kg/ton de arrabio. En la conversión se puede utilizar
chatarra externa a la fábrica, aprovechando el calor generado por la oxidación
del carbono cementítico y del hierro metálico, en este caso se pueden obtener
más de una tonelada de acero por tonelada de arrabio cargado en los
convertidores.
Desde el punto de vista medioambiental, el reciclaje de acero tiene un
enorme impacto en cuanto a la reducción de las emisiones de CO2. Si 450
millones de toneladas de acero laminado en caliente se pudieran producir
totalmente a partir de chatarra, las emisiones de CO2 disminuirían en 634
millones de toneladas. Si la producción de esa energía eléctrica, para la
Capitulo 1 Introducción
20
obtención de acero “eléctrico”, se realiza en centrales térmicas, se producirá la
emisión de cantidades importantes de CO2, aunque inferiores.
1.4.3 VÍAS DE OBTENCIÓN DE ACERO A PARTIR DE MINERAL
El hierro se encuentra en la naturaleza, en la corteza terrestre,
predominantemente en forma de rocas que tienen un alto contenido de
minerales oxidados de hierro (III y II) junto a otros minerales que no contienen
hierro. Los procesos de obtención de acero se realizan separando los minerales
de hierro de los otros minerales presentes en la roca. Para efectuar la
separación es necesario utilizar técnicas de fragmentación y molienda que
liberen el mineral de hierro, dando lugar a fragmentos constituidos por
especies portadoras de hierro. Los más importantes minerales que contienen
hierro son: hematites (Fe2O3), magnetita (Fe3O4), limonita (Fe2O3.nH2O),
goethita e hidrogoethita (Fe2O3.H2O), siderita (FeCO3) y chamosita (3 FeO ·
Al2O3 · 2SiO2 · 3H2O)
Además, el hierro se recupera de un gran número de minerales extraídos para
la obtención de otros productos, el azufre de la pirita (FeS2) y pirrotita (FeS)3,
de la ilmenita (FeTiO3) el titanio y de menas complejas donde el hierro
acompaña a metales como el Ni, Cu, Co y V.
Hay rocas que contienen mineral de hierro con una ley en hierro que es
suficiente para utilizarlas directamente en los hornos siderúrgicos de
reducción. Estas rocas, con alto contenido en hierro, se trituran a una
granulometría de 40 mm, cribándose los finos inferiores a 5 mm. El producto
obtenido se denomina lump ore o mineral en trozos. La roca de los
yacimientos en explotación exige procesos de separación, entre los minerales
portadores de hierro y los compuestos minerales sin hierro, más complejos
Capitulo 1 Introducción
21
que un simple cribado. Para liberar el mineral de hierro se necesita triturar la
roca a una granulometría más fina que los granos de los minerales portadores
de Fe y después aplicar procesos de concentración, obteniendo así productos
finos, de granulometría inferior a 6 mm, con un alto contenido en hierro (65%),
sinter feed, pero que deben ser aglomerados a tamaños de 40 mm, sinter útil,
para permitir el flujo de gases en los hornos de reducción denominados hornos
altos, donde se efectúa la separación del hierro y el oxígeno, gasificado en
forma de CO y CO2. El sinter feed alimentará a unas máquinas de
aglomeración, denominadas bandas de sinterización.
Previamente a la carga en las bandas de sinterización, se mezcla el sínter feed
con finos de coque y finos de sínter reciclado, nodulizando la mezcla con agua.
Esta mezcla húmeda se deposita en la banda de sinterización formando un
lecho permeable de unos 50 cm donde se somete a un proceso térmico,
quemando el carbón de la mezcla sin alcanzar el punto de fusión con aire que
se aspira a través del lecho. Se obtiene un aglomerado de granulometría
adecuada, entre 10 y 60 mm, llamado sínter útil adecuado para ser cargado al
horno alto, por su reactividad y por su resistencia. El Fe se encuentra en el
sinter útil, predominantemente, en forma de hematites.
Frecuentemente la roca del yacimiento exige, para separarla de sus impurezas,
molerla a granulometrías inferiores a las 500 μm (1μm = 10-6 m).
Como resultado de los procesos de separación aplicados se obtiene una
fracción más fina denominada pelet feed, que son los concentrados de oxidos
que alimentan las plantas de aglomeración por peletización donde se
obtienen, en unos discos o tambores granuladores, las bolas verdes o green
pelets. Estas bolas verdes se someten a un tratamiento térmico en atmósfera
oxidante, haciendo pasar gases calientes a 1350 °C, obteniendo unos nódulos
hematíticos altamente consolidados llamados bolas cocidas o pélets cocidos.
Estos concentrados tienen leyes en hierro del 65% e incluso superiores, lo que
Capitulo 1 Introducción
22
corresponde a purezas de la hematita o goetita mineral del 95%. La
consolidación alcanzada en los pelets cocidos es suficiente para permitir el
transporte transoceánico de estos productos desde los yacimientos de
América del Sur, Australia y África hasta países europeos.
Estos aglomerados, el sínter útil y el pélet cocido son adecuados para ser
cargados en los hornos altos (figura 1.5).
El otro material que se carga en el horno alto es el coque o cok, que se obtiene
a partir de un carbón fósil coquizable en unos hornos donde se separan por
gasificación algunas impurezas volátiles. El material obtenido es carbonoso,
consolidado y reactivo, apto para soportar la carga en el horno alto. En el
horno alto se cargan aproximadamente 500 kg de carbón por cada tonelada de
arrabio producida.
En la figura 1.5 se muestra el balance de carga por cada tonelada de arrabio
(pig iron) producida en el horno alto, 278 kg de coque, y se inyectan por
toberas 160 kg de carbón equivalentes en los gases de coquería a los 500 kg
indicados. El carbono del coque se combina con el oxígeno del mineral
formando CO y CO2, y dejando tras la reducción, hierro metálico que después
funde y se deposita en el crisol.
El proceso de fusión en el horno alto permite una separación de los minerales
que no son portadores de hierro, en forma de escorias fundidas, que al no ser
miscibles con el hierro metálico, se pueden separar por vertido o colada. En
este proceso es posible inyectar por la parte inferior, en las toberas, aire
caliente y combustibles carbonosos adicionales.
El uso de estos combustibles carbonosos (PCI) permite un menor consumo de
coque
Capitulo 1 Introducción
23
Figura 1.5. Balance de materiales de un horno alto
En la tabla 1.4 se indican los precios históricos de los minerales en trozos de
dos granulometrías distintas, para finos, para sínter o sínter feed y para pélets
cocidos.
Trozos de mineral 6 – 100 mm. 6.050 € FOB/ ton
Trozos de mineral 6 – 31 mm. 6.200 "
Finos < 6 mm. 4.800 "
Pelets 6 – 19 mm. 7.250 "
Tabla 1.4. Granulometrías y precios
El precio más alto corresponde a los pélets cocidos a 1350 °C. Para asegurar
precios bajos, las plantas de peletización son de gran tamaño; actualmente se
diseñan instalaciones capaces de producir hasta 10 millones de toneladas al
año de pélets cocidos a partir de concentrados de minerales de hiero.
Capitulo 1 Introducción
24
1.4.4 VÍAS DE OBTENCIÓN DE ACERO A PARTIR DE PRERREDUCIDOS MINERALES
Otra vía de obtención de acero es a partir de prerreducidos. Se basa en la
obtención de hierro metálico sin llegar necesariamente a la fusión y sin separar
en forma de escorias algunos minerales que no son portadores de hierro. La
materia prima portadora de hierro se obtiene a partir de los concentrados
mencionados anteriormente. Estos concentrados minerales, de alta ley en
hierro, se transforman en pélets oxidados cocidos que después se cargan
directamente, en algunos casos en forma de pellet feed de granulometría fina,
en los hornos de reducción (horno alto y hornos de prerreducción). En estos
hornos de prerreducción se reduce el mineral utilizando gases reductores
calientes con CO e hidrógeno.
El producto obtenido son pélets de hierro metálico con las impurezas que no
se pudieron separar al no producirse la formación de escorias. En caso de
utilizar directamente finos, como materia prima de la carga, los finos de hierro
metálico obtenidos después de la reducción se suelen aglomerar en forma de
briquetas para facilitar su manejo y transporte a las acerías. Venezuela es un
país que produce solamente prerreducidos, dedicando una pequeña parte de
los mismos a su producción de acero y el resto a la exportación, donde se
suelen utilizar como complemento de la chatarra en el EAF (horno eléctrico de
arco).
Por disolución del pellet feed de alta pureza, en medio ácido o básico, seguida
de una etapa de deposición electroquímica, es posible obtener hierro
metálico. Estos nuevos métodos de obtención de hierro metálico son similares
al electrobeneficio del cobre, donde se obtienen cátodos de cobre de alta
pureza, depositados sobre placas de acero inoxidable, a partir de soluciones de
cobre en ácido sulfúrico. Análogamente, en la metalurgia extractiva del cinc se
obtiene cinc metálico de elevada pureza sobre placas catódicas de aluminio de
Capitulo 1 Introducción
25
soluciones iónicas de sulfato de cinc en ácido sulfúrico preparadas a partir de
concentrados de minerales de cinc. Las placas de hierro metálico así obtenidas
no tienen carbono, sin embargo el arrabio producido en el horno alto tiene un
4% de C, y estas placas de hierro para convertirse en acero deben carburarse,
contrariamente al arrabio que para convertirse en acero hay que someterlo a
procesos de conversión que eliminan el exceso de C que contiene.
También pueden utilizarse los concentrados de alta pureza directamente en
forma de partículas finas para reducirlos con hidrógeno, CO u otros reductores,
obteniendo polvos de hierro casi puros, que posteriormente pueden utilizarse
para obtener piezas por pulvimetalurgia con procesos térmicos y mecánicos,
obteniendo productos metálicos consolidados y conformados, siguiendo
metodologías que recuerdan la obtención de materiales cerámicos. Estos
procesos permiten el control morfológico de los productos finales,
minimizando los costosos procesos de conformación. Las piezas de fundición
obtenidas por vertido del material fundido en moldes permiten obtener las
morfologías deseadas directamente.
1.4.5 VÍAS DE OBTENCIÓN DE ACERO A PARTIR DE CHATARRA
Otra materia prima portadora de hierro tan importante como el mineral es la
chatarra, obtenida al fin del ciclo de vida de las estructuras siderúrgicas. En
una situación donde la producción de acero esté equilibrada durante un largo
periodo de tiempo con el consumo, la cantidad de chatarra recogida debería
ser próxima a la cantidad necesaria para producir nuevo acero. La eficiencia de
la recogida está limitada, ya que hay parte del acero que resulta irrecuperable.
Esta eficiencia puede ser del orden del 75% en países industriales
consolidados.
Capitulo 1 Introducción
26
España es uno de los países del mundo que produce más acero en horno
eléctrico a partir de la chatarra, un 76% en el año 2005 según datos de Eurofer
(figura 1.6), siendo el resto producido en el horno alto a partir de mineral. La
media europea se sitúa en torno al 39%, casi la mitad de la española.
Figura 1.6. Producción española de acero según el proceso
Países emergentes como China, el mayor productor actual de acero, tienen las
posibilidades de recogida de chatarra limitadas, porque su consumo de acero
ha sido bajo en tiempos recientes, por lo que la disponibilidad de chatarra
actualmente es escasa. Una ventaja inherente a las chatarras es que no es
necesario reducir el hierro, con ello nos ahorramos la energía de reducción,
3500 termias por tonelada de arrabio en el horno alto (1 termia = 106 cal =
4,18·106 J). Para reciclar la chatarra solamente se necesita fundirla, lo que
Producción de acero en 2005
17 826 000 Mt
Producción de acero por proceso Horno alto: 24%
Eléctrico: 76%
Capitulo 1 Introducción
27
supone una energía de 500 a 600 kWh por tonelada de acero en forma de
energía eléctrica. Este ahorro energético, al obtener acero por fusión de la
chatarra, da un mayor valor a la chatarra, intensificando el interés de su
recogida, además el acero así obtenido no da lugar a emisiones de CO2
masivas. La fusión de la chatarra se realiza en hornos eléctricos utilizando
como fuente energética la energía eléctrica.
Esta energía eléctrica se obtiene a partir de fuentes térmicas por combustión
de carbón o de otros combustibles fósiles con rendimientos del 38,5%, o
centrales nucleares, con rendimientos del 33% lo que supone consumos
energéticos prácticos de 1600 termias térmicas por tonelada de acero, más
próximos a los del horno alto, y emisiones de CO2 próximas a la mitad de las
generadas en él. (1 kWh = 3,6 · 106 julios = 0,85 termias).
El reciclado de una tonelada de acero significa el ahorro de, aproximadamente,
1400 kg de mineral de hierro, 450 kg de carbón y 60 kg de caliza.
La chatarra se obtiene también mediante técnicas de fragmentación y
separación de las fracciones no reciclables de estructuras al final de su ciclo de
vida
1.5 MATER IAS PR IMAS
Las materias primas requeridas en los procesos de producción de arrabio y
acero, son fundamentalmente [12]:
Las materias primas férricas (minerales de hierro y aglomerados como
el sinter y el pelet).
Las materias primas combustibles y agentes reductores (carbón, coque
siderúrgico, gases y otros combustibles).
Capitulo 1 Introducción
28
Las materias primas fundentes (caliza, dolomía, cal, etc.).
Elementos aleantes (manganeso, níquel, cromo, molibdeno, etc.)
según la calidad de acero que se desee obtener
1.5.1 LOS MINERALES DE HIERRO
El hierro, elemento básico constitutivo del acero, se encuentra en abundancia
en la naturaleza bajo la forma de minerales de hierro, que son compuestos de
hierro y oxígeno (óxidos diversos o carbonatos de hierro) junto con otros
elementos o compuestos que se consideran impurezas (la ganga). El mineral
de hierro es una materia prima fundamental para la siderurgia integral, basada
en el proceso del horno alto. Será preciso proceder a una eliminación del
oxígeno o reducción de los minerales, con descenso de las impurezas hasta los
niveles requeridos.
Existen diversos tipos de minerales de hierro, según varíen fundamentalmente
los compuestos de hierro y oxígeno: magnetita, basada en el compuesto óxido
ferroso-férrico Fe3O4; hematites, basada en el compuesto Fe2O3; limonita,
basada en un óxido ferroso-férrico hidratado Fe2O3-H2O; siderita, constituida
por carbonato de hierro (II). Las riquezas en hierro (ley de hierro) de estos
minerales varían según su composición, así como su aspecto físico,
características, impurezas más habituales, etc. La extracción, enriquecimiento
y preparación de los minerales son actividades propias de la minería. Se
enriquece el mineral reduciendo su contenido en ganga (lavado, separación
por flotación, magnética, etc.) y se prepara mediante operaciones de
trituración y cribado, obteniéndose:
Capitulo 1 Introducción
29
Minerales gruesos, que podrían ser usados, en las proporciones y calidades
precisas, como materia prima del horno alto. Se exigiría, además de una
granulometría y una composición química determinadas.
Minerales finos y concentrados (ultrafinos) destinados a los procesos de
aglomeración que a continuación figuran (no pueden usarse directamente
en el horno alto).
Habitualmente se utilizan minerales diversos, y se procede a su mezcla u
homogeneización en grandes pilas o parvas de homogeneización, que además
cumplen misiones de parques de almacenamiento controlado.
Dentro de los procedimientos de aglomeración, distinguimos la sinterización y
la peletización.
1.5.2 SINTERIZACION
Es el proceso de aglomeración de los minerales finos para la obtención del
sinterizado (o sinter), cuyo empleo en el horno alto favorece su marcha
correcta (calidad, productividad y consumos específicos optimizados). A la
mezcla de minerales finos, procedente de la parva de finos homogeneizada, se
le adiciona agua y se noduliza en el tambor mezclador con vistas a optimizar su
permeabilidad.
Tras aportar la cantidad de combustible y de aditivos preestablecida, es
cargada con un tambor alimentador cuidadosamente controlado, sobre la
cinta o banda de la máquina de sinterizar, constituida por una serie de carros o
“pailas” dotados de parrillas protegidas por una capa de sobreparrilla de
sinterizado de granulometría precisa (Figura 1.7).
Capitulo 1 Introducción
30
Figura 1.7.- Esquema de una planta de sinterización.
La sinterización es una tecnología de aglomeración muy difundida. Es una
tecnología asociada a los hornos altos ya que la acería eléctrica no la necesita.
Las bandas de sinterización, capaces de producir 4 millones de toneladas de
sínter útil al año, se sitúan al pie de horno alto, ya que este sínter útil está poco
consolidado y da lugar a gran cantidad de finos en su manipulación y
transporte. El transporte a grandes distancias es excepcional y solamente se ha
llevado a cabo aprovechando circunstancias coyunturales.
Es frecuente que las grandes instalaciones siderúrgicas europeas reciban de
ultramar finos para sínter, de granulometrías inferiores a los 10 mm de
distintas procedencias, que deben ser mezclados. La mezcla se realiza
formando grandes pilas de 100.000 toneladas, en capas o tongadas,
depositadas por las máquinas apiladoras, a fin de asegurar una composición
homogénea mientras se consume la pila. El mineral de la pila se humedece con
Capitulo 1 Introducción
31
agua y se carga en unos tambores nodulizadores donde se añade el
combustible (aproximadamente 70 kg de finos de coque por tonelada de
sínter), los finos de retorno (hasta el 30% de la carga) y los aditivos,
normalmente caliza preparada, garantizan que el contenido en escorificable y
la basicidad del sinter son los previstos para el proceso del horno alto.
El núcleo de la banda de sinterización consiste en una parrilla móvil de gran
superficie (300 m2) que puede producir anualmente de 3 a 4 millones de
toneladas de sínter útil. Debajo de la banda se coloca un potente aspirador
capaz de asegurar un flujo de aire a través del lecho que se deposita en la
banda, asegurando depresiones en la parte inferior de la banda de 1500 a
2000 mm de columna de agua. (1 atm ≈ 10 m de columna de agua).
La aglomeración se produce por efectos de recristalización a altas
temperaturas del frente de llama (hasta 1300 °C) y por la formación de
silicatos de hierro de menor punto de fusión como la fayalita (SiO2·FeO),
formándose uniones entre las partículas de mineral que forman el mismo
nódulo, después del secado en la banda, y entre partículas de mineral
pertenecientes a diferentes nódulos contiguos.
Al cabo de unos 30 minutos, el frente de llama llega al fondo del lecho,
protegido con una capa de sínter útil. La velocidad de la banda se controla para
que este momento coincida con la descarga sobre una máquina
fragmentadora que reduce el tamaño de los grandes trozos de más de 50 cm,
descargados al voltear la banda de sinterización, a fragmentos de menos de 4
cm. Estos fragmentos se enfrían por aire soplado con otros ventiladores a una
banda anular móvil denominada refrigerador o cooler. Se realiza una
separación de los finos por cribado entre 6 y 9 mm, obteniendo finos de
retorno que se reciclan y se reincorporan a la mezcla nodulizada. Todo este
proceso trata de obtener un sinter de la mejor calidad: composición química
Capitulo 1 Introducción
32
(ley en hierro, escorificabilidad, basicidad, contenido en álcalis, fósforo, etc.),
características físico-químicas (dureza, reductibilidad, degradación en caliente,
contenido en ferroso, etc.) y granulometría adecuadas, para optimizar el
proceso de fabricación del arrabio en el horno alto.
Las condiciones asociadas a los distintos frentes que recorren en sentido
vertical el lecho de la banda de sinterización, las temperaturas y las atmósferas
parcialmente reductoras con CO, favorecen la formación y emisión de dioxinas
y furanos. Actualmente se han desarrollado métodos capaces de reducir estas
emisiones altamente tóxicas, utilizando partículas sólidas de carbón activo que
se inyectan en los humos. Estas partículas se separan, ya cargadas de dioxinas
y furanos, de la corriente principal de humos, emitiéndose gases limpios con
un contenido de dioxinas y furanos inferior a 0,1 parte en 1012 partes en peso
de humos, como puede verse en la figura 1.8. Es decir los contenidos de
dioxinas y furanos son del orden de 0,1 nanogramos/m3 en los humos limpios.
Figura 1.8. Mejora en el control de las Dioxinas en el proceso de sinterización
Capitulo 1 Introducción
33
Los humos deben ser desempolvados para evitar problemas en el ventilador
de aspiración. Los polvos se producen en el dispositivo rompedor o
fragmentador y en el propio proceso de aglomeración por rotura de nódulos o
arranque de sus capas superficiales en las etapas de secado y de
calentamiento previas a la consolidación por recristalización. La separación de
polvos se consigue normalmente con electrofiltros. Estos polvos pueden ser
reciclados al tambor nodulizador.
Se han desarrollando alternativas a los electrofiltros, que pueden operar en
caliente, consistentes en utilizar mallas de acero inoxidable sobre las que las
propias partículas presentes en los humos se depositan formando una capa
filtrante. Estos filtros también pueden utilizarse conjuntamente con los
electrofiltros.
1.5.3 PELETIZACION
La peletización (o pelletización) es el procedimiento de aglomeración de los
minerales ultrafinos y concentrados para la obtención de pequeños nódulos o
pelets, de dimensiones del orden de 10 mm a 15 mm, y con un elevado grado
de oxidación. El proceso consiste en la obtención previa de los pelets verdes,
formados en el peletizador con mineral fino de humedad controlada, al que se
ha añadido un elemento o agente aglomerante.
Posteriormente los pelets son secados y cocidos a alta temperatura para
obtener el pelet piroconsolidado de la calidad requerida: composición química
(ley de hierro, cantidad, tipo y basicidad del escorificable, elementos residuales
como álcalis, fósforo, etc.) y características físico-químicas.
La peletización se realiza cuando los concentrados de mineral tienen
granulometrías menores de 0,5 mm, al haber sido necesario alcanzar esos
tamaños de partícula para liberar los minerales de hierro y obtener
Capitulo 1 Introducción
34
concentrados de alto contenido en hierro, en forma de hematites.
La peletización se basa en unir las partículas del concentrado utilizando fuerzas
de tensión superficial desarrolladas en un sistema que contiene fase sólida
(mineral), fase liquida (normalmente agua) y una fase gaseosa (aire
habitualmente). Entre las partículas de mineral se forma una red de conductos,
con agua en su interior que coexisten con aire, ya que la cantidad de agua
utilizada está limitada para asegurar la presencia simultánea de fase gaseosa y
fase líquida. En la superficie entre la fase gaseosa y fase líquida se desarrollan
fuerzas de tensión superficial que tratan de hacer que esta superficie sea
mínima, acercando las partículas de mineral unas a otras, hasta que entran en
contacto, así se consigue que la superficie de la fase líquida en contacto con el
aire sea más pequeña, al reducirse el tamaño de los huecos capilares entre
partículas. Los agregados de partículas van creciendo de forma análoga a como
la hacen las bolas de nieve. Los dispositivos utilizados se denominan discos
nodulizadores o tambores granuladores, donde se producen aglomerados de
12 a 20 mm, denominados bolas verdes o green pelets con una consolidación
suficiente para ser cargadas en unas bandas, que recuerdan a las bandas de
sinterización, donde los pelets se sinterizan con gases a 1350 °C, obteniéndose
pelets piroconsolidados o cocidos con alta porosidad y resistencia a la
compresión.
La consolidación es suficiente para asegurar el transporte, normalmente
transoceánico, desde los yacimientos, donde suelen estar situadas las plantas
peletizadoras, hasta las plantas siderúrgicas de horno alto o de prerreducción.
Existen bandas de peletización que pueden producir hasta 10 millones de
toneladas anuales de pelets cocidos con contenidos de hierro superiores al
65%
Capitulo 1 Introducción
35
Los factores determinantes del coste variable de los pelets están en línea con
los apuntados para el caso del coste del sinterizado, teniendo en cuenta su
proceso de fabricación específico. Los pelets son fácilmente transportables,
por lo que (al contrario que en el caso del sinterizado) las plantas de
peletización se encuentran normalmente en las proximidades de las minas.
1.5.4 CARBÓN
El carbón es una roca sedimentaria de estructura heterogénea de origen fósil.
Desde el punto de vista de combustible sólido, el carbón se caracteriza por su
potencia calorífica, cuyo contenido es el siguiente: elementos propiamente
combustibles (carbono, hidrógeno, etc.), no combustibles (agua, nitrógeno,
oxígeno), impurezas (S, Cl, etc.…), y un resto de materias denominadas
cenizas. La aplicación actual del carbón en la siderurgia se basa en su empleo
como materia prima para la producción del coque siderúrgico y en la inyección
de éste por las toberas del horno alto.
La industria del acero es la mayor consumidora de carbón después de la de
generación de energía, del orden del 20% del total, teniendo en cuenta que
alrededor del 70% del acero que se produce en el mundo lo es mediante el
uso de procesos que necesitan del empleo del carbón.
En el año 2009, en el que se produjeron 1200 M de toneladas de acero, se
emplearon 761 M toneladas de carbón.
1.5.4.1 COQUE SIDERÚRGICO
El coque se obtiene de la destilación del carbón en ausencia de oxigeno y a alta
temperatura. El coque siderúrgico especialmente producido para su empleo en
el horno alto presenta las siguientes características:
Capitulo 1 Introducción
36
Agente reductor, sobre la base de su alto contenido en carbono.
Agente térmico, sobre la base de su alto poder calorífico.
Agente mecánico, sobre la base de su resistencia para soportar la
carga del horno alto dotándole de la permeabilidad necesaria.
Agente carburizante formador de cementita
Se precisan unas determinadas características de los carbones para producir
un buen coque, para lo que se emplean mezclas de hullas coquizables.
Es importante la composición de los carbones, en especial la humedad,
contenido en azufre y cantidad y tipo de cenizas, además de las impurezas
(fósforo, álcalis, etc.) y el contenido en materias volátiles. Las baterías de
coque están constituidas por una serie de cámaras u hornos de coquizar de
dimensiones variables, por ejemplo, de siete metros de altura, 450 mm de
anchura media y 16 m de longitud (volúmenes útiles de hasta 50 m3 y más).
Los hornos están construidos en refractario de sílice y entre cada dos hornos
existe una cámara de combustión donde se sitúan quemadores a lo largo de
toda su longitud y a diferentes alturas, que mediante la combustión de gas
aseguran el calentamiento de las paredes de sílice adyacentes y la obtención
de las temperaturas adecuadas para la correcta coquización del carbón.
1.5.4.2 INYECCIÓN DE CARBÓN PULVERIZADO (PCI)
El empleo de la inyección de carbón pulverizado (PCI) en los hornos altos ha
reducido el consumo de carbón en un 30%. El consumo de este tipo de carbón
se ha incrementado desde los 17 M toneladas utilizadas en el año 1995 hasta
los 24 M toneladas del año 2004.
Capitulo 1 Introducción
37
El uso de este tipo de carbón tiene unas limitaciones operativas que hacen que
su consumo no pueda ser mucho mayor que los 200 kg por tonelada de arrabio
obtenida.
Una de las ventajas del uso de la inyección de carbón es el aprovechamiento
de carbones con menor contenido en carbono. Además de las ventajas directas
de tipo económico se prolonga la vida de las actuales baterías de coque.
Otro de los caminos por lo que se está desarrollando el empleo de coque es en
la utilización de los tamaños menores (18 – 38 mm) añadiéndolos en pequeñas
cantidades a la banda de carga del horno alto mezclado con el mineral.
1.6 EL HO RNO ALTO
La siderurgia integral utiliza la ruta del horno alto para la reducción de los
minerales de hierro, eliminando el oxígeno y alcanzando un enriquecimiento
en hierro metálico que se traduce en un alto grado de metalización, es decir,
contenidos totales de hierro superiores al 95-96%, con lo que se obtiene el
arrabio [13].
El horno alto es un reactor vertical, de cuba, en el que se efectúa el proceso
de reducción en contracorriente entre una carga descendente de sólidos y una
ascendente de gas reductor, obteniéndose un producto intermedio: el arrabio.
Este arrabio, que contiene carbono, será tratado fuera del horno,
normalmente en una planta de desulfuración y será posteriormente afinado en
la acería LD para obtener el acero [14] con un contenido controlado de
carbono.
Capitulo 1 Introducción
38
Figura 1.9.- Esquema de H.A. moderno
El horno alto ha demostrado alta eficiencia, adaptabilidad y capacidad
productiva, a la vez que efectúa un cierto pretratamiento del producto
obtenido, reduciendo los niveles de elementos no deseables en el arrabio
producido (azufre, silicio, sodio, potasio, etc.) previo a su afino en la acería LD.
Aunque el horno alto constituye probablemente el proceso siderúrgico más
completo, se ha llegado a un elevado nivel tecnológico en su diseño y control,
lo que junto con el proceso de acería LD, convierte a estas tecnologías en las
más adecuadas para la obtención de elevadas cantidades de aceros de alta
pureza y calidad, no alcanzables normalmente por otros métodos productivos.
Capitulo 1 Introducción
39
1.6.1 INSTALACIONES PRINCIPALES DEL HORNO ALTO
Un horno alto [11] es un reactor vertical formado por una coraza construida en
acero soldado y revestida interiormente, en cada una de las zonas, de
refractario de diferentes calidades de acuerdo a las solicitaciones requeridas,
haciendo que su volumen interno está constituido por diferentes zonas
cilíndricas y troncocónicas, en función de los materiales que en cada zona
coexistan y de su estado (estado físico de los materiales y gases, así como
volúmenes que ocupan en cada zona).
En el horno alto se distinguen los siguientes sistemas principales:
1.6.1.1 SISTEMA DE EVACUACIÓN DEL GAS
Está constituido por las tuberías de evacuación del gas bruto pobre producido,
denominadas pantalones. También está dotado de válvulas de descarga
denominadas cascabeles o chapines, y controles de presión, temperatura,
composición del gas, etc.
1.6.1.2 CUERPO DEL HORNO
El horno propiamente dicho, está construido a partir de una coraza de acero
revestida de material refractario de diferentes características 15, en función
de las solicitaciones requeridas en cada zona y del diseño del horno,
refrigerado por el agua que circula por un sistema de chapas y cajas de cobre
denominadas staves, constituyendo una coraza más o menos continua. Tiene
un perfil que favorece su funcionamiento y el intercambio entre sólidos y
gases, que en diferente estado coexisten en cada zona. El perfil del horno es
variable a lo largo de su altura, distinguiéndose varias zonas.
Capitulo 1 Introducción
40
En la figura 1.10, se representa esquemáticamente el perfil de un horno alto
moderno. Como se aprecia, las partes más importantes del horno son:
Tragante. Es la parte superior del horno por donde se cargan las materias
primas constituidas por mineral de hierro, coque y fundentes. Formado de
paredes verticales, la carga debe garantizar una distribución controlada de
cada material en el interior del horno. Actualmente el sistema más extendido
para controlar la distribución de carga es el diseñado por Paul Wurth frente al
sistema de campanas. El tragante PW consiste en unas tolvas provistas de
válvulas que alimentan una canaleta rotatoria cuyo ángulo de inclinación
respecto a la vertical es posible regular mientras se realiza la carga de material
al horno. De esta forma se puede distribuir la carga en una zona bastante
amplia del tragante. Este sistema, además mejora la estanqueidad y evita la
emisión de gases y polvo, haciendo posible trabajar a mayor presión en el
horno. Así pues, el sistema PW es más económico, más fácil de instalar y
mejora el funcionamiento respecto al sistema basado en campanas. [13].
Cuba. Situada entre el final del tragante y el vientre del horno. Contiene la
mayor parte de la carga y tiene forma troncocónica variando su diámetro
desde el menor coincidente con el del tragante hasta el mayor igual al del
vientre. El perfil de la cuba ha de favorecer el intercambio de calor entre
sólidos y gases que coexisten en diferentes estados.
Vientre: De paredes verticales con lo que el horno vuelve a tomar una forma
cilíndrica. Es la zona de mayor sección del horno, y lo es debido a que al
descender la carga y aumentar la temperatura, el aumento de volumen exige
que la cuba se ensanche, Esta zona es el enlace entre la cuba y la zona de
etalajes.
Capitulo 1 Introducción
41
Figura 1.10.- Perfil de un horno alto.
Capitulo 1 Introducción
42
Etalajes. Es la zona del horno donde se inyecta el aire o viento caliente
procedente de las estufas. El viento llega a una tubería circular o morcilla de la
cual, a través de las tuberías de bajada, es introducido en el horno por los
orificios de toberas. Su misión es hacer posible la combustión del carbón. El
número de toberas varía de un horno a otro y es función del tamaño del
mismo, pero siempre están equidistantes alrededor del horno. También en las
toberas, se realiza la inyección de combustibles auxiliares.
Crisol. De forma cilíndrica, es la parte inferior del horno donde se recogen el
arrabio y la escoria que serán periódicamente colados del horno a través de las
piqueras o agujeros de colada.
1.6.1.3 SISTEMA DE REFRIGERACIÓN DEL HORNO
Es variable en función de cada zona del mismo, pero en cualquier caso es el
más eficiente e intenso posible para mejorar la fiabilidad de marcha, la
duración del revestimiento refractario y en última instancia optimizar la
duración de la campaña del horno.
En el horno coexisten varias tecnologías de refrigeración: la refrigeración por
agua a alta presión de las toberas de doble cámara, la refrigeración por haces
tubulares del subcrisol o la refrigeración intensa por cajas de cobre de doble
cámara o por cajas verticales especiales o ‘staves’ de los etalajes y la cuba. Se
precisan, normalmente, varios circuitos cerrados de refrigeración, empleando
agua de calidad, con sus sistemas de bombas, torres de refrigeración,
tratamiento del agua, etc., además de sistemas de control de temperaturas,
Capitulo 1 Introducción
43
presiones, caudales, cálculos de pérdidas térmicas, detección de fugas o fallos
de elementos refrigerados, etc.
1.6.1.4 SISTEMA DE CONTROL
Tiene por objeto gestionar el funcionamiento de los equipos del horno y de su
proceso. Multitud de sensores, tales como controles de temperatura, presión,
sondas de nivel, sondas de análisis de gas, etc., están instalados en el propio
horno junto con otros múltiples sensores de sus instalaciones auxiliares
constituyendo un sistema global de control.
El diseño del horno define su perfil, y existen varios parámetros característicos
de la capacidad productiva: el diámetro interno del crisol (o bien su superficie),
el volumen total del horno o capacidad interior entre las cotas de piquera y del
nivel teórico de llenado, el volumen útil o capacidad interior entre la cota de
toberas y la del nivel teórico de llenado. Esos parámetros definen la dimensión
del horno y ha podido constatarse una tendencia a un aumento de sus
dimensiones, siendo habituales hornos altos con diámetros de crisol entre 10
m y 15 m con producciones diarias que pueden superar ampliamente las
10.000 t. de arrabio.
El coque actúa como combustible, agente reductor y aportador de carbono,
además de como soporte de la carga. Por las toberas se inyecta el aire o viento
caliente (controlando la humedad del viento y su inyección de oxígeno
adicional), además de combustibles auxiliares como el carbón pulverizado y en
algunos hornos carbón granular.
Por el tragante se cargan materiales como los minerales, sinterizado, pelets y
coque, fundamentalmente. Como salidas del horno, por las piqueras del crisol
se cuela periódicamente el arrabio producido, que se separa de la escoria por
Capitulo 1 Introducción
44
densidad en las regueras de la planchada de colada. Las características
térmicas del arrabio y de la escoria están determinadas por el proceso, además
de por otros factores de menor incidencia (incluso por el tamaño del horno), y
deben controlarse. Por el tragante se extrae también el gas pobre bruto (con
cantidades altas de polvo que tras su depuración será utilizado como
combustible).
El horno alto es un eficiente reactor que funciona a contracorriente: los
materiales sólidos cargados por el tragante descienden (con las
transformaciones que el proceso conlleva) hasta el crisol, mientras que los
materiales introducidos por toberas ascienden como gases hasta el tragante
sufriendo también diversas transformaciones. Los gases del tragante
mantienen un contenido significativo de CO en su composición.
El conjunto de reacciones a contracorriente que ocurren pueden analizarse
desde el punto de vista de cada elemento químico (por ejemplo: reacciones de
desulfuración o balance del azufre, etc.) o bien considerando aquí únicamente
de forma simplificada las que más afectan al primordial objetivo del proceso: la
reducción de los minerales de hierro. Las reacciones se favorecen con una
adecuada permeabilidad en el horno y trabajando con alta presión en el
tragante (trabajo a contrapresión)
Una alteración del proceso del horno puede derivar en un enfriamiento o
“emborricamiento”, con muy graves repercusiones sobre la marcha, que
puede tardar en normalizarse incluso varios días, exigiendo de los operadores
de planta una pericia y esfuerzo adicionales.
En la figura 1.11 se muestra el balance de materiales de un horno alto de hace
más de 40 años. Actualmente se usa la mitad de coque y se obtiene menos de
la mitad de escoria.
Capitulo 1 Introducción
45
Figura 1.11.- Descenso de los materiales sólidos en el horno alto
Capitulo 1 Introducción
46
1.6.2 PROCESO GENERAL DEL HORNO ALTO
Aunque la permanencia de la carga sólida en el horno alto es de bastantes
horas (de 12 a 18 horas), la permanencia de los gases es de muy pocos
segundos (de tres a cuatro), y en este escaso plazo de tiempo los gases pasan
de 1500 °C ó 1600 °C hasta alrededor de 200 °C, que es la temperatura de los
gases al salir por el tragante. Debido al contacto íntimo de los gases con los
materiales sólidos, el horno alto es un intercambiador de calor de un gran
rendimiento, que pasa, en general, del 85%.
La carga sólida que entra húmeda y a la temperatura ambiente, va sufriendo
una serie de transformaciones físicas y químicas como consecuencia de ir
progresivamente alcanzando zonas de mayor temperatura y de mayor
proporción de óxido de carbono en su composición, es decir, el horno alto es
un reactor en el que se realizan las reacciones físico-químicas del proceso de
reducción. Esta reducción se realiza no solamente sobre los óxidos de hierro,
cuya reducción puede realizarse a temperaturas relativamente bajas, entre
600 °C y 700 °C, sino que se extiende a la reducción de otros óxidos que
acompañan al mineral o al combustible que se carga en el horno alto y cuya
reducción se realiza, en general, a temperaturas más altas y con mayor
proporción de CO, por tanto, en zonas del horno más bajas y próximas a los
etalajes y al crisol del horno alto, siendo reacciones fuertemente endotérmicas
que absorben elevadas cantidades de calorías.
En este descenso de los materiales sólidos en el horno alto se producen,
además, otras reacciones, como son: la descomposición de los carbonatos que
se introducen en la carga, la formación de escoria y la eliminación parcial del
azufre de la carga con la escoria.
Capitulo 1 Introducción
47
Para comprender bien la función del horno alto como reactor en el que se van
produciendo las reacciones químicas del proceso, se analiza a continuación lo
que va ocurriendo en cada zona del horno alto a medida que descienden los
materiales sólidos cargados en la zona alta (5).
Figura 1.12.- Relaciones entre temperatura, % CO y presión interior.
De ellas se deduce, por ejemplo, que a 1 atmósfera de presión y 1000 °C, el
98% del gas es CO, pero si la presión sube a 19 atmósferas, manteniendo la
misma temperatura, el gas que se encuentra está compuesto por un 76% de
CO y el 24% restante de CO2. El horno alto trabaja a sobrepresiones inferiores
a las 5 atmósferas.
1.6.2.1 REACCIONES DE LOS GASES CON LOS SÓLIDOS QUE DESCIENDEN AL
CRISOL
Las reacciones fundamentales de este proceso de reducción se muestran en la
figura 1.13, considerando el CO como agente reductor:
CO2
CO
> 1 atm
< 1 atm
0
20
40
60
80
100 0
20
40
60
80
100
300 400 500 600 700 800 900 1000 1100 1200
% C
O2
% C
O
Temperatura (°C)
0,10 atm
0,25 atm
1 atm
4 atm
19 atm
64 atm
Capitulo 1 Introducción
48
Figura 1.13.- Reacciones fundamentales.
El óxido férrico se transforma en óxido ferroso-férrico según:
3 Fe2O3 + CO 2 Fe3O4 + CO2; (1.2)
a su vez el Fe3O4 se transforma en FeO según:
Fe3O4 + CO 3 FeO + CO2; (1.3)
el FeO, a su vez, en presencia de CO da:
FeO + CO Fe + CO2; (1.4)
también puede producirse:
Fe3O4 + 4 CO 3 Fe + 4 CO2; (1.5)
Estas reacciones son reversibles y según la temperatura a la que se produzcan
pueden quedar limitadas o desarrollarse de derecha a izquierda.
es decir, que se produzca una oxidación por acción del CO2 hacia óxidos
superiores.
La reducción con hidrógeno es también posible según las reacciones:
Fe3O4
FeO
Fe
0
10
20
30
40
50
60
70
80
90
100
0
5
10
15
20
25
30
35
300 400 500 600 700 800 900 1000 1100 1200 1300
CO
/(C
O+
CO
2)
% C
O
Temperatura (°C)
Capitulo 1 Introducción
49
3 Fe2O3 + H2 2 Fe3O4 + H2O; (1.6)
Fe3O4 + H2 3 FeO + H2O; (1.7)
FeO + H2 Fe + H2O; (1.8)
Las curvas de equilibrio se representan en la figura 1.14 y de ellas se deduce
que para concentraciones altas en H2, las reacciones se producen en el sentido
de izquierda a derecha a temperaturas relativamente bajas, del orden de 600
°C ó 700 °C
Figura 1.14.- Curvas de equilibrio.
Aparte de otras consideraciones de tipo técnico, la reducción con hidrógeno
no se lleva a cabo en la práctica por ser el CO un reductor más económico que
el H2. También es posible la reducción con mezcla de CO y H2. La curva
representativa se reproduce en la Figura 1.15.
De ella se deduce que existe un gran intervalo de temperaturas, dentro de las
cuales el poder reductor de la mezcla se mantiene prácticamente constante a
partir de los 600 °C. La mezcla de H2 y CO es más favorable que la reducción
FeO
Fe
Fe3O4
0
10
20
30
40
50
60
70
80
90
300 500 700 900 1100 1300
[H2/
(H2+H
2O)]
*10
0
Temperatura (°C)
Fe3O4+4H2 3Fe+4H2O
Capitulo 1 Introducción
50
sólo con H2, pues provoca un descenso de la temperatura y una paralización
más o menos acentuada de la reacción, lo que corrige la reducción con CO.
En la práctica, los óxidos de hierro presentes en los minerales están
combinados con otros óxidos o mezclados con determinadas impurezas. El
reductor, no está sólo formado por óxido de carbono, sino que también
contiene alguna proporción, aunque pequeña, de H2 como consecuencia de la
descomposición de la humedad del viento y tiene siempre un fuerte contenido
en N2 y varía de composición y de temperatura en el proceso. Por otra parte, el
coque tiene un contenido en cenizas que también aportan elementos que
entran en el proceso incorporándose a la escoria que sale del horno alto.
Figura 1.15.- Reducción con mezcla de CO y H2.
En zonas relativamente bajas del horno alto, hay reacciones importantes entre
el FeO, reducido de los óxidos superiores y la sílice y alúmina que como ganga
0
10
20
30
40
50
60
300 500 700 900 1100 1300
% C
O
H2 d
e la
me
zcla
Temperatura (°C)
CO+H2 H2O+C
2FeO+CO+H2 2Fe+CO2+H2O
Capitulo 1 Introducción
51
acompañan a los minerales o contenidas en las cenizas del coque, formándose
silicatos de hierro, como se ha dicho anteriormente, más difíciles de reducir. Lo
mismo ocurre cuando en el horno alto se cargan minerales muy altos en sílice
y, sobre todo, silicatos de hierro. El proceso de reducción de los silicatos no
puede realizarse más que en zonas bajas del horno alto y, por tanto, de forma
poco económica, pues es necesario que previamente sean descompuestos los
silicatos por la acción de la cal, procedente de la descomposición de la caliza
según las reacciones:
Fe2SiO4 + 2 CaO Ca2SiO4 + 2 FeO; (1.9)
Fe2SiO4 + CaO CaSiO3 + 2 FeO; (1.10)
FeSiO3 + 2 CaO Ca2SiO4 + FeO; (1.11)
FeSiO3 + CaO CaSiO3 + FeO; (1.12)
El FeO es reducido a su vez por el gran contenido de CO, existente en zonas
bajas del horno según:
FeO + CO CO2 + Fe; (1.13)
y a su vez por la inestabilidad del CO2 a estas temperaturas y profundidades se
produce:
CO2 + C 2 CO; (1.14)
Realizándose en definitiva la reducción de los silicatos, como si hubiesen sido
reducidos directamente por el C, o sea con gran consumo de combustible.
Capitulo 1 Introducción
52
1.6.3 CONTROL DEL PROCESO DEL HORNO ALTO
Se requieren importantes medidas de control del proceso para garantizar la
marcha adecuada del horno alto y de las instalaciones de fabricación de coque
y sinterizado con él relacionadas. Se trata de mantener una operación estable
del horno y de controlar y proteger el funcionamiento de los equipos
instalados. Se utilizan múltiples sensores y equipos de medición y control de
los materiales y fluidos de entrada y salida del horno. Concretamente se
controla:
En las entradas del horno: materias primas, combustibles principales y
auxiliares, viento caliente, oxígeno inyectado al viento, inyección del vapor
al viento (control de su humedad), inyección de carbón pulverizado, etc.
En los equipos del propio horno: instalación de cribado y carga de materias
primas, tragante y sistema de distribución de la carga, presiones y
temperaturas en diferentes zonas del horno, niveles de carga, muestras de
carga en diferentes áreas, etc.
En las salidas del horno: arrabio y escoria producidos, gas bruto, polvo y
lodos recuperados, gas del tragante, etc.
Tienen especial importancia los controles de la distribución de la carga en el
tragante y de las variables metalúrgicas que determinan el proceso,
apoyándose en modelos metalúrgicos, balances térmicos y de materia, además
de controles estadísticos de calidad, inteligencia artificial, etc. Con todo ello se
trata de lograr una operación estable del horno alto que redundará en un
incremento de la productividad, mejora de la calidad de los productos (arrabio,
escoria), aumento de la duración de la campaña del horno alto y reducción de
costes (mínimo consumo de coque y de combustibles auxiliares, etc.
Capitulo 1 Introducción
53
Tabla 1.5- Control de materiales y fluidos de entrada y salida del horno alto.
1.6.4 PRODUCCIÓN, PRODUCTIVIDAD Y CAMPAÑA DEL HORNO ALTO
El control óptimo del proceso con el logro de una marcha estable del horno es
uno de los aspectos claves influyentes en la productividad (t/m3 volumen útil y
día), producción (t/año) y duración de la campaña del horno medida en
producción total en relación con la dimensión del horno y donde suelen
considerarse, por ejemplo, producciones totales por campaña anual de más de
Control de materiales y fluidos de entrada y salida del horno alto
Material/Fluido Principales variables controladas
Entr
adas
Q Carga (coque, sinterizado,
mineral, etc.)
Pesos, composiciones químicas, granulometrías, características
físico-químicas, comportamiento en frío y caliente, ensayos
específicos, etc.
V Viento caliente Volumen, presión, temperatura, humedad, inyección de
oxígeno, etc.
C Carbón de inyección Cantidad y distribución, granulometría, composición,
propiedades, etc.
Salid
as
A Arrabio Composición, temperatura, cantidad, frecuencia y desarrollo de
la colada, etc.
E Escoria Composición, cantidad calculada, evolución y desarrollo de
colada, etc.
G Gas de tragante Composición, temperatura, potencia calorífica, caudal calculado
y medido, presión, etc.
Varios (polvo, lodos) Composición, cantidad, humedad, evolución, etc.
Capitulo 1 Introducción
54
6 000 t/m3 de volumen útil. Otros aspectos influyentes en la producción,
productividad y duración de campaña son:
El diseño del horno alto propiamente dicho (perfil, diámetro de crisol y/o
volumen útil, etc.).
La estrategia elegida de obtención de un producto determinado (calidad
del arrabio, producción de lingotillo, etc.).
La calidad y tipo de materias primas empleadas (porcentajes y tipos de
sinterizado, de pelets, etc.).
La calidad del coque y el empleo de combustibles auxiliares como el
carbón.
Las instalaciones auxiliares que permitan una óptima distribución de la
carga (tragante), altas temperaturas de soplado (estufas), inyecciones de
oxígeno óptimas, trabajo a contrapresión, nivel y regularidad de la marcha.
La calidad del diseño original de los equipos, el binomio
refractario/refrigeración, así como la fiabilidad de equipos, las tecnologías
aplicadas.
La operación y el mantenimiento adecuados.
Se han desarrollado técnicas especiales para prolongar la duración de la
campaña, tales como prácticas de proceso específicas, marchas de cargas
centrales y no periféricas, sistemas de refrigeración adicionales, inyecciones
externas de masas refractarias, mantenimiento específico, etc. La más utilizada
de estas técnicas consiste en la parada del horno con descenso de carga hasta
toberas, para su gunitado o reparación del refractario y de otros elementos
deteriorados, entrando en el horno y/o utilizando robots especialmente
diseñados.
Capitulo 1 Introducción
55
1.7 FUNC IO NES DEL HO R NO A LTO
Las funciones que debe realizar el horno alto son muy complejas si ha de
llevarse a cabo el proceso de un modo económico y con el volumen de
producción necesario [16]. Una de estas funciones es de tipo mecánico, ya que
el horno alto debe permitir, de la manera más regular posible, que la carga de
materiales sólidos, compuesta por coque, mineral y fundentes, entre por la
parte superior del horno y se encuentre con la corriente de gases ascendente
bien distribuida y produciendo un contacto íntimo, aunque rápido, con los
materiales cargados. Para que esto se produzca de una manera regular,
conviene que la carga tenga una gran porosidad y esté muy bien repartida. La
mayor o menor porosidad de la carga depende de la forma y dimensiones de
los trozos de la carga. La mayor porosidad se obtendría con esferas del mismo
tamaño, tangentes y con centros en los vértices de un cubo. En este caso los
espacios vacíos dejados entre las esferas representarán el 52,3% del volumen
de éstas. Si las esferas fuesen tangentes, pero con centros en los vértices de un
romboedro, los espacios vacíos no serían más que de un 47,7%.
En la práctica, los trozos de mineral no son esféricos, y lo que es peor, no son
iguales, por lo que los tamaños finos colocados entre los huecos dejados por
los trozos gruesos pueden bajar fuertemente la porosidad de la carga, de
donde se deduce la conveniencia de preparar la carga y clasificarla, dejando los
tamaños homogéneos relativamente gruesos y sinterizando los finos, lo que ha
sido comprobado en la práctica, por lo que constituye una tendencia general
en la marcha de los hornos altos la preparación previa de la carga. El equipo de
carga influye también de una manera importante en la buena distribución de
la misma.
Capitulo 1 Introducción
56
La inclinación de la campana de cierre, el diámetro relativo entre la campana y
el tragante y el recorrido vertical de la campana, influyen en la forma de
distribución de los materiales sólidos en el tragante del horno. También
influyen el peso específico de los materiales que se cargan y su ángulo de talud
natural. El talud que se forma al cargar los materiales es distinto del talud
natural de dichos materiales y se aproxima más al talud natural cuanto mayor
es el diámetro del tragante. La relación entre ambos taludes viene dada por la
fórmula empírica:
r
h·ktgtg 0 (1.15)
En la que:
: es el talud en el horno (grados)
0: es el talud natural (grados)
h: la altura de caída (metros).
r: radio del tragante (metros).
k: una constante adimensional que tiene en cuenta la naturaleza del
material y, entre otras cosas, la absorción del golpe de caída contra
las paredes del horno.
En los hornos grandes, lo corriente es que la carga se presente más alta en los
bordes que en el centro, que el mineral forme cuñas de más altura en los
bordes que en el centro y que, por el contrario, el coque forme cuñas de más
altura en el centro.
Mecánicamente, además, el horno alto debe distribuir los gases de tal manera
que baje la carga regularmente y sin formar zonas de paso preferente, que
daría origen a dificultades en la marcha. Tampoco debe producirse preferencia
Capitulo 1 Introducción
57
de paso por las paredes o por el centro, para lo que dentro de ciertos límites
deberá poder controlarse la distribución de materiales más gruesos o más
finos en el centro o en las paredes. Por otro lado, como la carga al descender
va sufriendo modificaciones de composición, de temperatura y de volumen, el
horno alto debe favorecer todos estos cambios y permitir el descenso regular
de la carga, la formación de escoria, la colada de ésta y la colada del arrabio
por la parte inferior y la de los gases producidos por el tragante. Otra función
importante que debe cumplir el horno alto es la de intercambiador de calor.
1.8 EL ARR AB IO , LA ESCO RI A Y SU T R ATAM IENTO
1.8.1 EL ARRABIO Y SU MANEJO
El arrabio producido en el horno alto, es un material complejo, cuya
composición química puede variar dentro de amplios límites y cuya estructura
al solidificarse varía no solamente con la composición química, sino también
con la velocidad de enfriamiento [14]. El arrabio puede ser apropiado para
servir de base a la fabricación de piezas fundidas, según su composición, las
mezclas que se realicen y las condiciones de fabricación, o puede servir para su
conversión en acero por procesos que se adapten a la composición del arrabio.
Debido a lo que ocurre con cada uno de los elementos que entran en la carga
del horno alto, se puede afirmar que el operador del horno, sólo puede
controlar la composición del arrabio en lo que se refiere al Si, Mn y S, siendo
los demás elementos prácticamente incontrolables y dependientes de la
composición de la carga. Entre éstos es fundamental, por influir decisivamente
en el proceso de fabricación, que se elija el fósforo (P).
Capitulo 1 Introducción
58
En cuanto al otro componente fundamental del arrabio, el carbono (C),
siempre se produce en el horno alto la saturación del arrabio y, por tanto, el
contenido en éste depende del contenido de los demás elementos que
influyen en el grado de saturación en C del arrabio y en su forma de
presentarse al solidificarse con mayor o menor proporción de grafito o de
carburo de hierro o cementita, en lo que influyen en uno u otro sentido el Si, el
Mn y el P. En la marcha industrial de los hornos altos se distinguen las
siguientes calidades de arrabio:
Arrabios con alrededor del 45 de C y contenido en Si altos, de 1,5%
a 2,5%; Mn entre 0,5% y 2% y P < 0,08%.
Arrabios de composición muy parecida al anterior, pero con mayor
cantidad de P, entre el 0,1% y el 0,7%.
Arrabios con contenido en Si inferior al 1 %; Mn, entre el 1% y el
2%; P, entre el 0,3% y el 0,6%; S < 0,045%; C, el 4%; resto, Fe.
Arrabios con contenido en Si inferior al 1%; Mn, del 1% al 2%; P,
del 1,5% al 2,5%; S < 0,06%;, un 4% de C y el resto, Fe
1.8.2 TRATAMIENTO DE LA ESCORIA
En cuanto al tratamiento de la escoria y siguiendo las directrices de la
Comisión Europea [17] se ha de obtener una máxima reducción de las
emisiones procedentes del sistema de tratamiento de la escoria y de la propia
escoria que se envía al vertedero.
Se ha de proceder al tratamiento de la escoria, preferiblemente por granulado,
cuando las condiciones del mercado lo permitan.
Capitulo 1 Introducción
59
Se han de condensar los vapores si es necesario reducir olores.
En el caso de que la instalación utilice fosos de escoria, debe reducirse o
evitarse su refrigeración forzada con agua en la medida de lo posible y siempre
que las limitaciones de espacio lo permitan.
En el resto de los residuos o subproductos sólidos se ha buscar la máxima
reducción con alguna de las siguientes técnicas:
Máxima reducción de la producción de residuos sólidos.
Aprovechamiento efectivo (reciclado o reutilización) de los residuos o
subproductos sólidos, especialmente reciclando el polvo grueso
procedente del sistema de tratamiento de los gases del horno alto y el
polvo eliminado de la nave de fundición, y reutilizando toda la escoria (por
ejemplo, en la industria cementera o en la construcción de carreteras).
Vertido controlado de los residuos o subproductos inevitables (fracción
fina de los lodos derivados del tratamiento de los gases del horno alto,
parte del cascajo)
1.9 EL ACE RO E N EL S IGLO XXI
La industria del acero ha identificado el cambio climático como un desafío
importante desde hace más de 20 años.
Antes de que los resultados del Panel de Expertos sobre el Cambio Climático
(IPCC) de 2007 salieran a la luz [17], los productores de acero habían
reconocido que se han de afrontar las emisiones de CO2. Se ha mejorado el uso
de la energía, reducido las emisiones de gases de efecto invernadero, y se está
trabajando cerca de los límites establecidos por las tecnologías actuales de
producción de acero.
Capitulo 1 Introducción
60
Con los importantes ahorros de energía logrados, y con las tecnologías
actuales no es posible reducir aún más las emisiones de CO2. Las reducciones
adicionales, solicitadas por los gobiernos y organismos internacionales exigen
la mejora y aplicación de nuevas tecnologías de producción.
Dentro de ellas se pueden citar direcciones clave en las que trabajar:
1.9.1 CARBÓN
Deberá seguir siendo utilizado como un agente reductor, pero el CO2
producido tendrá que ser capturado y almacenado. El enfoque es similar a los
esfuerzos de la industria de la energía para reducir las emisiones de las
centrales de combustibles fósiles, aunque las soluciones de producción de
acero son de estudiar la operación de oxígeno y la captura de CO2 durante el
proceso.
Las soluciones en el horno alto, van desde unas profundas modificaciones
para dar cabida a la CCS (captura de carbono y almacenamiento), en el
Proyecto ULCOS y el reciclado del gas de horno alto, así como al rediseño de
los procesos de reducción como el Isarna, HIsmelt, Finex, etc,.
1.9.2 EL HIDRÓGENO
Puede usarse como agente reductor, y al oxidarse sólo produciría agua. El
hidrógeno, ya sea puro, como gas de síntesis (Syngas) producido por
reformado de metano o como gas natural, puede ser utilizado en los reactores
convencionales de reducción directa o en unos futuristas reactores flash.
El hidrógeno debe ser producido utilizando tratamientos de carbones pobres:
electrólisis del agua o reforming del gas natural
Capitulo 1 Introducción
61
Ambos pueden incluir su propio nivel de captura y almacenamiento. Esta
investigación está estrechamente relacionada con el modelo de la Hydrogen
Society.
1.9.3 ELECTROLISIS
Los electrones también podrían ser utilizados como agentes reductores. El
proceso correspondiente seria la electrólisis del mineral de hierro, o por otro
lado el empleo de bacterias. La UE y los EE.UU. están explorando sólo el primer
camino, y a día de hoy las bacterias que reducen totalmente el mineral a hierro
metálico no han sido identificadas. La electricidad en este caso se produciría
con el uso de tecnologías de gasificación de carbón.
1.9.4 LA BIOMASA
Puede ser utilizada para generar el agente de reducción, ya sea a partir de
carbón de leña por ejemplo, o gas de síntesis. La biomasa para este fin necesita
ser cultivada de manera sostenible, pero pueden provenir de plantaciones en
países tropicales o de explotaciones agrícolas o residuos forestales de climas
más templados. El interés en la biomasa es grande tanto en Brasil, Australia,
Canadá como en Europa.
La biomasa puede utilizarse en hornos altos, añadida a la carga habitual de
coque, utilizada como combustible en reactores de acero o en la reducción
directa como gas de síntesis, etc.
Capitulo 1 Introducción
62
1.9.5 CCS
El uso de la captura de carbono y la tecnología de almacenamiento es una
condición necesaria previa para el uso continuado de combustibles fósiles
como agentes reductores en la producción de acero. Esta tecnología
emergente podría estar basada en diversas opciones de captura y
almacenamiento, algunas de las cuales sólo tendrían que adaptarse al contexto
del acero, mientras que otras aún necesitarán la investigación básica.
El almacenamiento puede ser en acuíferos salinos profundos, yacimientos
agotados de petróleo o gas, en las minas de carbón (almacenamiento
geológico), o transformado en forma de carbonato (almacenamiento
mineralógico).
El gas residual de la producción de acero difiere del de otras industrias por su
mayor contenido de CO2, su contenido de polvo, la composición de los otros
gases minoritarios, la temperatura y la presión. Se necesitan, por tanto iniciar
estudios específicos sobre estos gases y su captura y almacenamiento.
Capitulo 1 Introducción
63
BIBLIOGRAFÍA CAPITULO 1
[1] F. Aranguren y A. Mallol: Siderurgia, Ed. Dossat, S. A, pp. 261-376, (1963).
[2] J. Apraiz Barreiro: Fabricación de hierro, acero y fundiciones. Ed. Urmo S.A.
Bilbao (1978).
[3] E. Sanz Pérez, I. Ruiz Bustinza, E. Sanz Sánchez, J. L. Enríquez y J. J. Calonge:
La minería antigua del Moncayo: un horno de fundición de hierro en el
estrecho de Araviana, sierra de Toranzo (Ólvega, Soria), Celtiberia Vol. 95,
33- 63 (2001).
[4] J. M. Navarro: Sierra Blanca y las ferrerías de río Verde. Ed. Iluana (2009).
[5] Revista Bienes Culturales, IPHE, Núm.7, Madrid (2007).
[6] J. Nadal: El fracaso de la revolución industrial en España, 1814-1913,
Barcelona, Ariel, 1984. ISBN 84-344-6505-1 (1975).
[7] M. Navarro Arancegui: Crisis y Reconversión de la Siderurgia Española 1978-
1988. Edit. JOP Pasajes (1989).
[8] Datos Eurofer 2008 – 2011.
[9] I. Ruiz Bustinza, F. G. Carcedo, J. Mochón, J. Robla, A. Isidro, A. Hernández,
A. Cores y B. Fernández: La Siderurgia en el siglo XXI. Evolución de los
diversos métodos para la obtención del acero (parte 1&2), Metales &
Metalurgia, Vol 1957, 10-14 (2008).
[10] A. Ballester, L. F. Verdeja y J. P. Sancho: Metalurgia Extractiva,
Fundamentos. Ed. Síntesis, Madrid (2000).
[11] J. P. Sancho, L. F. Verdeja y A. Ballester: Metalurgia Extractiva, Procesos de
obtención, Ed. Síntesis, Madrid (2000).
[12] UNESID: La fabricación del acero. Madrid (1998).
[13] S. G. Peacey y W. G. Davenport: El alto horno de hierro. Teoría y Práctica,
Ed. Limusa , México (1986).
[14] A. Babich, D.Senk, H. W.Gudenau y T. Mavrommatis: Ironmaking. Ed. RWTH
Aachen University, Department of Ferrous Metallurgy, Aachen, Alemania.
(2008).
Capitulo 1 Introducción
64
[15] L. F. Verdeja, J. P. Sancho y A Ballester: Materiales refractarios y cerámicos,
Ed. Síntesis, Madrid, pp. 156-176 (2008).
[16] S. Seetharaman: Fundamentals of metallurgy. Ed. Woodhead Publishing
Limited, Cambridge, UK. (2005).
[17] IPPC Bureau. Best Available Techniques on Emissions from Storage.
European Commission (2005).
[18] IPPC Bureau. Best Available Techniques on Production of Iron and Steel.
European Commission (2008).
Capitulo 2 Redes Neuronales
65
CAPÍTULO 2
REDES NEURONALES
2. INTRO DUCC IÓ N A L AS REDES NE U RO NALES
Hasta el presente las computadoras han resuelto numerosos problemas desde
una simple base de datos hasta un sistema SCADA (Control de Supervisión y
Adquisición de Datos, del inglés Supervisory Control And Data Acquisition).
Pero aún así existe otra parcela en la cual la revolución informática no ha
entrado todavía de lleno: sistemas ambiguos o imprecisos, toma de decisiones,
etc. Una característica común de este tipo de problemas es que difícilmente se
pueden solucionar utilizando sistemas secuenciales. La solución se encamina
hacia arquitecturas en paralelo.
Un claro ejemplo está en nuestra visión. ¿Cómo es posible que aunque el
tiempo de procesamiento de nuestras neuronas esté en el orden de los
milisegundos nuestro cerebro "vea" fotos y reconozca los objetos que
aparecen en ellas mientras que un súper ordenador con tiempos en el orden
de los nanosegundos no sea capaz de verlo? La respuesta se halla en un
paralelismo masivo y una alta interconectividad propia de los sistemas
neurobiológicos. En este contexto han aparecido las redes neuronales. Se
copia la forma de actuar de nuestro cerebro con la idea de aplicarla a este
nuevo tipo de problemas. Así pues, desde aquí en adelante en vez de estudiar
el modelo neurológico humano detallaremos los tipos de redes neuronales
usados en el desarrollo de esta Tesis.
En nuestro mundo actual las redes neuronales se presentan como una
prometedora técnica del aprendizaje automático. No es difícil entender el
interés creciente que la industria ha desarrollado con ellas, pues han sustituido
a los sistemas expertos que aunque son muy fiables para procesos
Capitulo 2 Redes Neuronales
66
perfectamente conocidos, son excesivamente rígidos e incapaces de
generalizarse ante situaciones nuevas.
Las redes neuronales se han aplicado con éxito en campos de la investigación
como: la compresión de la información, la visión artificial computerizada, el
reconocimiento de patrones y la extracción de características entre otras.
También, la industria siderúrgica con sus hornos altos, plantas de sinterización
y laminación automatizadas, todos ellos monitorizados en tiempo real, ofrece
unos buenos escenarios para usar las redes neuronales [1], para ayudar a los
ingenieros y operadores de las plantas pues las reacciones que se producen en
el interior del horno alto son de modelización difícil debido al gran número de
variables que intervienen en sus procesos [2] [3] [4].
A pesar de ello, la aparente falta de información del proceso interno en parte
se contrarresta con el gran volumen de datos que provienen de todos los
sensores colocados a lo largo y ancho de toda la estructura del horno [5], y que
los ingenieros de planta deben saber interpretar correctamente para llevar a
cabo las acciones de control correctas y necesarias en cada momento para que
el horno alto produzca un arrabio de calidad óptima.
Un gran número de investigaciones se han centrado en estos temas que son de
una gran importancia, tales como: la predicción del contenido de silicio en el
arrabio [6], el control de la calidad del arrabio mediante una red de tipo
perceptrón multicapa MPL (MultiLayer Perceptron en inglés) [7] y el uso de las
redes neuronales como forma de mejorar la desulfurización del arrabio [8]. En
la literatura se encuentran dos tipos de aplicaciones de las redes neuronales:
para predecir y para identificar. Así se observa como la mayoría usa su
capacidad de predecir modelos y relaciones, aunque sea sin tener
explícitamente su expresión. En [9] se usa una red neuronal para obtener
correlaciones entre la composición, las propiedades y el proceso de fabricación
Capitulo 2 Redes Neuronales
67
de los aceros inoxidables y en [10] se presenta un método de diseño de aceros
aleados usando una red neuronal como modelo.
En esta Tesis y en la aplicación desarrollada, se han elegido los mapas auto-
organizados (SOM, Self-Organized Maps en inglés) [11].
2.1 TIPO S DE REDES NEU RO NALES
Como se ha citado en la introducción, las redes neuronales se pueden dividir
en dos grandes grupos según que su tipo de aprendizaje sea supervisado o no-
supervisado. El primero de ellos se distingue porque la red necesita un
conjunto de entrada y un conjunto de salidas asociadas. Se introduce una
entrada a la red y se halla el error respecto a la salida real. La corrección de los
pesos se hará a partir de este error. El entrenamiento se basará en minimizar
dicho error y se considerará acabado cuando sea menor que una cantidad muy
pequeña ( ). En el aprendizaje no supervisado se tienen unos patrones de
entrada pero no sus salidas. El objetivo de la red es agrupar los vectores de
entrada mediante un criterio de similitud en unos ciertos patrones de salida. El
entrenamiento finaliza cuando los pesos sufren cambios muy pequeños en
cada iteración. El Perceptrón, multicapa y las redes LVQ poseen un aprendizaje
supervisado mientras el modelo de Kohonen, la red de Hopfild y las
arquitecturas ART son del tipo no supervisado.
2.1.1 PERCEP TRÓ N M ULTIC A PA
Una de estas redes está compuesta por una capa de entrada, varias capas
intermedias u ocultas y una capa de salida. Los pesos, las entradas o la
polarización son opcionales, pero se suelen añadir para evitar problemas de
“offset”.
Capitulo 2 Redes Neuronales
68
Figura 2.1 - Esquema de Perceptrón multicapa.
El método “backpropagation” sigue una norma de corrección de los pesos
denominada norma Delta que los actualiza con idea de minimizar el error
cuadrático medio entre la salida real y la suministrada por la red. Dichos
errores se propagan hacia atrás en el sentido de que primero se modifican los
pesos de las neuronas de salida y luego de las capas intermedias y al final los
de la capa de entrada.
Se determina la dirección de cambio de los pesos calculando el gradiente del
error respecto a los pesos y yendo en el sentido contrario hasta que encuentra
un mínimo. Los pasos a dar para programar el algoritmo de backpropagation
son los siguientes:
X
b1(1)
a1(2)
b2(2)
ENTRADAS
X
CAPA NEURONAL 1 CAPA NEURONAL 2
P(2)
n1(2) n2(2)
W(1,1) P(1)
n1(1) W2(1,1) n2(1) F2
b1(2)
W1(S,R) P(R)
n1(S,R)
n2(S)
W(S2,R) a1(S)
b2(S)
) b2(2)
b1(S)
a1=F1(W1*P + b1) a2=F2(w2*p + b2)
F1
F2
F2
F1
F1
Capitulo 2 Redes Neuronales
69
- Introducir el vector de datos a las neuronas de la capa de entrada:
- Calcular valores netos n de entrada a las neuronas de las capas ocultas:
j = número de neuronas.
h = cantidad de neuronas en la capa p.
N = número de unidades de entrada.
= entrada de polarización, de valor unitario.
w = matriz de pesos
- Los valores de salida de la capa oculta se calculan por:
- Y se repite con la capa de salida:
- Se calculan los valores de salida de la capa de salida
- Los errores en la capa de salida se calculan por:
- A continuación se calculan los errores para las capas ocultas:
Capitulo 2 Redes Neuronales
70
- Se actualizan los pesos en la capa de salida:
- Se actualizan los pesos en las capas ocultas:
es un parámetro que determina la velocidad del aprendizaje. Suele
tomar valores entre 0.01 y 0.25.
- Posteriormente se calcula el error total:
- El aprendizaje finaliza cuando el error es menor que una cierta cantidad muy
pequeña,
Este algoritmo es más usado en la práctica dada su habilidad para aproximar
funciones no-lineales. Sin embargo, presenta una serie de dificultades entre las
que se pueden citar:
- Posible caída en un mínimo local en el que el proceso quedaría bloqueado.
La solución pasa por inicializar de nuevo las entradas o cambiar el número
de nodos de la capa oculta.
- La convergencia es lenta en situaciones de "valles". Esto se soluciona
añadiendo un momento que acelere el método.
De esta manera:
Capitulo 2 Redes Neuronales
71
El valor de α se sitúa entre 0 y 1 y su función es añadir el efecto de los
cambios pasados a la actual dirección.
- La elección del tamaño de la red, constantes y demás parámetros puede
ser difícil.
Lo mejor es seguir un método de ensayo y error. Sistemas grandes podrían
tener tiempos de convergencia sumamente largos.
2.1.2 REDES COMPE TIT IVAS
Se parte de una red denominada Red de Hamming. Existe una técnica que
permite usar esta red neuronal para reconocimiento de patrones [12]. Esta
técnica requiere que los vectores prototipo sean conocidos de antemano e
incorporados a la red como filas de la matriz de pesos.
Las redes que se van a analizar tienen una estructura muy similar a la Red de
Hamming, sin embargo, utilizan reglas de aprendizaje asociativo para, de
forma adaptativa, aprender a clasificar patrones. Estos tres tipos de redes son:
Redes Competitivas, Mapas Autoorganizados, y Redes LVQ.
2.1.3 RED COMPETI TI VA DE HAMMI NG
La Red de Hamming es uno de los ejemplos más simples de red competitiva.
Las neuronas de la capa de salida compiten con las otras para determinar el
ganador, y este indica qué patrón prototipo es el más representativo del
patrón de entrada. La competición se implementa con inhibición lateral, un
conjunto de conexiones negativas entre las neuronas de la capa de salida.
Capitulo 2 Redes Neuronales
72
Se van a ver algunos de los conceptos fundamentales de esta red.
Figura 2.2 - Red Hamming (Hamming Network)
La Red Hamming consta de dos capas. La primera de ellas realiza una
correlación entre el vector de entrada y el vector prototipo. La segunda capa
realiza la competición para determinar cuál de los vectores prototipo está más
cerca del vector de entrada. Permite la clasificación de patrones múltiples.
Sin embargo en la red competitiva de Hamming la segunda capa de neuronas
de la Red de Hamming se dice que está en competición, porque cada neurona
se excita a sí misma e inhibe al resto. Para simplificar el resto de las ecuaciones
se define la función de transferencia que hace el trabajo de la capa recurrente
competitiva:
“Capa hacia delante” “Capa Recurrente”
R
S
Sx1
n1
SxR
Rx1
p W
1
1 b1
+ Sx1
a1
a1 = purelin(W
1p+b
1) a
2(0) = a
1 a
2(t+1) = poslin (W
2a
2(t))
S
Sx1
a2(t)
Sx1 Sx1
a2(t+1)
SxS
D n
2(t+1)
W2
Capitulo 2 Redes Neuronales
73
Esta red funciona buscando el índice i* de la neurona con la entrada a la red
mayor y pone su salida a uno (siempre buscando el índice más bajo). Todas las
otras salidas se ponen a cero.
Reemplazando la capa recurrente de la Red de Hamming con la función de
transferencia competitiva en la primera capa es más fácil entender el
funcionamiento de las siguientes Redes.
Figura
Figura 2.3 - Red competitiva (’Competitive Layer’)
Como en la Red de Hamming los vectores prototipo se almacenan en filas de
W. La entrada a la red n calcula la distancia entre el vector entrada p y el
prototipo W, (suponiendo que los vectores están normalizados a longitud L).
Capa Competitiva Entradas
S
Sx1
a n
SxR
Rx1
p W
C
Sx1
R a = Compet(WP)
Capitulo 2 Redes Neuronales
74
La entrada a la red n, de cada neurona i es proporcional al ángulo θi formado
entre p y el vector prototipo W:
w
T
1
wT
2
wT
S
w
T
1
wT
2
wT
S
La función de transferencia competitiva asigna una salida 1 a la neurona cuyo
vector peso apunta en la dirección más cercana al vector de entrada
2.1.4 MAPAS AUTOO RGANI ZAD OS
Para tratar de emular la actividad de los sistemas biológicos [13], Kohonen
diseñó la siguiente simplificación: su Red Autoorganizativa determina primero
la neurona ganadora i* usando los procedimientos de la red competitiva.
Después, los pesos que se encuentran dentro de una cierta vecindad de la
neurona ganadora son modificados por la Regla de Kohonen.
,
Capitulo 2 Redes Neuronales
75
Figura 2.4 – Mapa autoorganizado (Feature map)
Donde la vecindad contiene los índices para todas las neuronas que
están dentro de un radio d de la neurona ganadora i*:
Cuando se muestra a la red el vector p, los pesos de la neurona ganadora y las
vecinas se mueven hacia p. El resultado es que, después de varias
presentaciones, las neuronas vecinas han aprendido vectores similares. Si se
trata de una sola dimensión, cada neurona tendrá sólo dos vecinos dentro de
un radio de 1. Los mapas tienen también la ventaja de poderse adaptar al
espacio de entrada, teniendo unas dimensiones determinadas. Para una región
de entrada bidimensional, la red que se debe utilizar para clasificar también
debe ser bidimensional con agrupamientos de n n neuronas. Cada nodo es
una neurona y la mayor parte de ellos se encuentran en el interior de la región
del espacio de entrada y ocupan el espacio de una manera uniforme. Si se
tiene un espacio de entrada tridimensional y se utiliza una red bidimensional,
Entradas Mapa autoorganizado
S
Sx1
a n
SxR
Rx1
p W C
Sx1
R a = Compet(WP)
Capitulo 2 Redes Neuronales
76
esta última se adapta al espacio de entrada pero no puede aproximar la
tercera dimensión nada más que mediante su valor medio.
Kohonen propuso distintos conceptos de distancias, y para ello estudió
vecindades rectangulares y hexagonales para conseguir una implementación
más eficiente. A pesar de esto normalmente las características de aprendizaje
de la red no son muy sensibles a la forma exacta. Cuando el vector p se
muestra a la red, los pesos de la neurona ganadora y las vecinas se mueven
hacia p. El resultado es que, después de varias presentaciones, las neuronas
vecinas han aprendido vectores similares.
Cabe mencionar que las neuronas de la red pueden ser agrupadas en las
dimensiones que se deseen [14]. Si se trata de una sola dimensión, cada
neurona tendrá sólo dos vecinos dentro de un radio de 1. Los mapas tienen
también la ventaja de poder adaptarse al espacio de entrada, teniendo unas
dimensiones determinadas. Para una región de entrada bidimensional, la red
que se debe usar para clasificar también debe ser bidimensional con
agrupamientos de n n neuronas. Cada nodo es una neurona y la mayor parte
de ellos se encuentran en el interior de la región del espacio de entrada y
ocupan el espacio de una manera uniforme.
El aprendizaje del espacio de entrada también es función del número de
iteraciones que se realicen. Si se dispone de un espacio de entrada formado
por vectores de entrada aleatorios que están limitados, por ejemplo, a un
plano cuadrado, después del entrenamiento, la distribución de las neuronas
debe ser uniforme a lo largo de todo el espacio. El proceso que ocurre hasta
conseguir esto, es como sigue: cada vez que un vector peso es presentado la
neurona con el vector peso más cercano ganará la competición y la neurona
ganadora y sus vecinas se moverán hacia dicho vector.
Capitulo 2 Redes Neuronales
77
2.1.5 REDES L.V.Q (“LEARNI NG VECTO R QUANTI ZATIO N”) Y SU S
MEJORAS
Esta red utiliza dos tipos de aprendizaje: supervisado y no supervisado para
formar las clasificaciones. Como puede verse en la figura 2.5, cada neurona de
la primera capa se asigna a una clase. Cada clase se representa con una
neurona de la segunda capa. El número de neuronas de la primera capa, S1
será siempre mayor que el número de neuronas de la segunda capa, y S1
normalmente bastante mayor.
Figura 2.5 - Red L.V.Q
Como en las redes competitivas, cada neurona de la primera capa aprende un
vector prototipo, que permite clasificar una región del espacio de entrada. La
distancia al vector de entrada se calcula mediante la distancia euclídea. La
entrada de la red de la primera capa de la LQV será:
a1 = compet(n
1) n
= - a
2 = W
2 a
2
Entrada Capa Competitiva Capa Lineal
S2
R
S2x1
a2
S2x1
n2
S1x1
a1
S1x1
n1
Rx
1
p
W1
C W2
S1xr S1 S2xS1
Capitulo 2 Redes Neuronales
78
La salida de la primera capa de la LQV es:
De esta manera, la neurona cuyo peso se encuentre más próximo al vector de
entrada dará 1 como salida, y el resto 0. La red LQV se comporta como la red
competitiva, pero la interpretación es diferente. En la red competitiva la
neurona ganadora indicaba a que clase pertenecía el vector de entrada. En la
red LQV, la neurona ganadora indica la subclase más que la clase. Puede haber
diferentes subclases dentro de cada clase.
La segunda capa de la red se usa para combinar las subclases dentro de una
clase. Esto se puede realizar con la matriz W2. Las columnas de W2 representan
las subclases, y las filas las clases. W2 tiene sólo un 1 en cada columna, con los
otros elementos cero. La fila en la que se encuentra el 1 indica cual es la clase
a la que la subclase pertenece.
subclase i es parte de la clase k.
El proceso de combinar las subclases para formar una clase permite a la LQV
crear saltos de clase complejos. La LQV resuelve el problema de trabajar con
regiones del espacio convexas. Aunque esta red trabaja bien ante multitud de
problemas, tiene dos limitaciones. La primera, como las redes competitivas, es
que ocasionalmente una neurona oculta puede tener un valor inicial que
nunca gana la competición. El resultado es una neurona muerta que no hace
nada útil. Este problema se resuelve con el mecanismo de consciencia.
En segundo lugar, dependiendo de cómo se inicialicen los vectores peso, un
vector peso tendrá que viajar a través de una región perteneciente a una clase
que no representa. Los pesos de esa neurona serán rechazados por los
vectores de la región que debe cruzar, y así nunca podrá clasificar
Capitulo 2 Redes Neuronales
79
adecuadamente la región que le atrae. Esto se puede resolver aplicando una
modificación a la regla de Kohonen.
Si la neurona ganadora en la capa oculta clasifica el vector de entrada
incorrectamente, se mueve su vector peso hacia fuera del vector de entrada,
como antes. Sin embargo, se ajustan los pesos de la neurona más cercana al
vector de entrada que lo clasifique correctamente. Los pesos de esta segunda
neurona deben moverse hacia el vector de entrada.
Cuando la red clasifica correctamente el vector de entrada, los pesos de una
sola neurona se mueven hacia el vector de entrada. Sin embargo, si el vector
de entrada se clasifica de forma incorrecta, los pesos de dos neuronas son
modificados: un peso se mueve hacia el vector de entrada y el otro hacia fuera.
Hasta aquí se han descritos las redes más usadas tanto en esta Tesis como en
distintas aplicaciones que versan sobre el proceso de producción de hierro y
acero.
2.2 DESARROL LO S U SANDO UNA RED NEU RO NAL BASADA EN U N
MODELO DE RECO NOCIM I ENTO DE PAT RONES
Se han probado tres tipos de redes neuronales para dilucidar la mejor
estructura para fines de reconocimiento de patrones. La primera red neuronal
probada fue una capa de simple competencia. Su estructura se muestra en la
figura 2.6.
Capitulo 2 Redes Neuronales
80
Figura 2.6: Capa de simple competencia
El funcionamiento de esta red es bastante simple: cada vez que una nueva
matriz (p) de temperaturas entra en la red, se realiza el producto escalar entre
esta matriz y cada columna de la matriz de pesos (w). Una nueva matriz que
contiene los valores de los productos punto (n) se pasa hacia delante a la
competitiva de la capa (C). En esta capa se selecciona el valor máximo entre los
productos punto. Así, la matriz de temperatura que se muestra a la red se
asocia con la columna de (w) que arroja el valor máximo para el producto
escalar. Cada columna de la matriz de pesos se puede considerar como un
patrón que representa una clase de matrices de la temperatura y las matrices
relacionadas como pertenecientes a esta clase.
Este tipo de red neuronal esta entrenada en el modo “no supervisada”, lo que
significa que las relaciones de pertenencia entre los datos de temperatura y las
clases, no se conocen antes del entrenamiento.
W
C p
R x 1
S x R
n
S x 1
a
S x 1
R S
Capitulo 2 Redes Neuronales
81
De hecho, es la red neuronal la que establece las características de los
patrones, durante el entrenamiento, mediante la modificación de los valores
de la matriz de pesos (w) de acuerdo a la ley siguiente:
(Neurona ganadora)
(Neurona perdedora)
Los valores iniciales para la matriz de pesos deben ser distribuidos al azar entre
los valores máximo y mínimo de los datos de entrenamiento conjunto. El
número de columnas de esta matriz establece el número de clases que
utilizará. Cada vez que un conjunto de temperaturas entra en la red durante el
entrenamiento, la columna de la matriz de pesos, que arroja un valor máximo
del producto, se lleva hacia la matriz de entrada, permaneciendo el resto de
las columnas inalteradas. Después del entrenamiento, se espera que cada
columna de la matriz de pesos se ubicará en el centro de un conjunto de
medidas similares.
El segundo tipo de redes, llamadas Mapas auto-organizados (SOM), tiene la
misma estructura que la capa de la competencia. La principal diferencia entre
ellos está en el proceso de entrenamiento: las redes SOM actualizan no sólo la
columna ganadora de la matriz de pesos (valor máximo para el producto
punto), sino también las otras columnas que están dentro de la relación de
vecindad establecida antes del entrenamiento.
Esta característica puede mejorar el rendimiento de la red, asignando de más
patrones (clases) en aquellas áreas que tienen una mayor densidad de
muestras y disminuyendo en los de menor densidad. La ley de aprendizaje de
esta red será la siguiente:
Capitulo 2 Redes Neuronales
82
(Neurona ganadora y vecinas)
(Neurona perdedora)
Según el entrenamiento progresa el vecindario afectado disminuye. La tercera
red empleada era la denominada LVQ (Cuantificación del Vector de
Aprendizaje) (figura 2.7). Esta red tiene una estructura más compleja que las
anteriores [15]. Tiene dos capas, la primera es una capa competitiva y la capa
de salida es una capa linear. La forma en que es entrenada también se
diferencia. El LVQ precisa de una serie de entradas y la clase a la que
pertenecen. Durante el periodo de entrenamiento, se actualizan los pesos (w1)
para poder definir una serie de subclases. Cada subclase forma parte de una
clase. Esto permite que se junten las selecciones de temperaturas que no son
similares pero que están relacionadas por otras razones (otras propiedades del
rendimiento del horno alto [16]).
Figura 2.7: Cuantificación del Vector de Aprendizaje (LVQ).
p
R x 1
R
W1
S1 x R
n1
S1 x 1
C a1
S2 x 1
S1
W2
S1 x S1
n2
S2 x 1
a2
S2 x 1
S2
Capitulo 2 Redes Neuronales
83
La norma para la actualización de los pesos durante el entrenamiento de la
primera capa es la siguiente:
cuando p se clasifica correctamente
si no es así.
El estudio se centró en los Mapas Autoorganizados (SOM), uno de los tipos de
redes neuronales seleccionado anteriormente.
Esta selección estaba basada en el estudio llevado a cabo durante la primera
parte de la tesis. Las razones principales son: Los Mapas Autoorganizados
(SOM) son fáciles de tratar; pueden ser programados, entrenados, modificados
y transferidos al ordenador del horno alto de una manera rápida. Muestran un
comportamiento robusto para la el reconocimiento de patrones.
El algoritmo empleado ha sido modificado levemente: la vecindad se define en
términos de distancia euclidea (2.1), durante el proceso de entrenamiento, los
cambios en las neuronas perdedoras se calculadas empleando una función de
Gauss (2.2).
(2.1)
(2.2)
Capitulo 2 Redes Neuronales
84
Donde ed es la distancia euclidea entre la neurona ganadora (nw) y una de las
perdedoras (nl), α y β el ritmo de aprendizaje y la vecindad afectada, y t una de
las muestras de los perfiles de temperatura empleados durante el
entrenamiento
0
5
10
15
0
20
40
60
0
200
400
600
Tem
pe
ratu
ra º
C
Epoch x 10 Sondas de temperatura
Figura 2.8: Evolución de un patrón particular durante el entrenamiento.
La figura 2.8 muestra la evolución de un patrón en particular durante el
entrenamiento. La tendencia de los patrones a estabilizarse según el
entrenamiento avanza, es un indicador de la bondad del enfoque.
Una vez que terminaron los entrenamientos de los Mapas Autoorganizados
(SOM) los resultados fueron validados empleando dos conjuntos de datos.
Capitulo 2 Redes Neuronales
85
Figura 2.9: Ejemplo de clasificación de temperatura para el patrón 1.
Los resultados para el primer conjunto de datos se muestran en la figura 2.9,
en la que aparecen, en el lado izquierdo el patrón 1 (línea blanca) y varios
perfiles de temperatura clasificados por los Mapas Autoorganizados (SOM) en
estos patrones. El número total de muestras clasificadas en la clase 1 fueron
769. El lado derecho de esta figura representa la distancia del patrón a las
muestras. En el centro se localiza el patrón y los puntos azules representan la
posición de los perfiles de temperatura relativos al patrón. Esta ‘distancia’,
medida en grados centígrados, proporciona una estimación de cómo de bien el
patrón se asemeja al perfil de temperatura. Las distancias más cortas significan
un mejor encaje entre el patrón y el perfil medido.
50
100
150
200
250
300
350
400
450
500
550
600
135.07
Sondas de temp.
Distancia al patrón
Tem
pe
ratu
ra °
C
67.53
Capitulo 2 Redes Neuronales
86
Figura 2.10: Ejemplo de clasificación de temperatura en el patrón 1 con un fallo
en el termopar nº 5.
Se obtuvo un resultado interesante con la segunda serie de muestras. En este
caso, el termopar de una de las sondas está fuera de servicio. La temperatura
medida por ella está por debajo del valor real.
Sin embargo, el Mapa Autoorganizado (SOM) no se ve afectado por este fallo,
y es capaz de clasificar los perfiles de temperatura correctamente ignorando la
medida incorrecta (figura 2.10).
Este ejemplo muestra la robustez de este sistema neuronal frente a fallos en
los valores de entrada, una vez que la red haya sido entrenada correctamente.
50
100
150
200
250
300
350
400
450
500
550
600
67.53
135.07
Sondas de temp.
Distancia al patrón
Tem
pe
ratu
ra °
C
Capitulo 2 Redes Neuronales
87
B IBL IOG RAFÍ A CAP IT ULO 2
[1] M. Langer y B. Vogel: Synthesis of Plantwide Quality Prediction System for a
Sintering Plant. 15th Triennial World Congress, Barcelona, Spain (2002)
[2] X. Bi, K. Torssell y O. Wijk: Simulation of blast furnace process by a
mathematical model. ISIJ International 32, 470-480 (1992).
[3] I. Kobayashi, S. Inaba y M. Isobe: Application of Mathematical model
estimating cohesive zone in blast furnace. Ironmaking Proceedings. AIME.
Vol. 43, pp. 119-126 (1984) (1984).
[4] J. F. Jiménez Castellanos. (Tesis Doctoral). Diseño de la zona preparativa de
un Horno Alto a escala: aplicación al modelado del sistema de carga y del
flujo de gas. (1998).
[5] Henrik Saxén: Interpretation of probe temperatures in the blast furnace
using polynomial approximations. Steel Res. Int. 67, 73-78 (1996).
[6] K. Dammert: New process control technology for iron making. (1991).
[7] J. C. Bezdek: Fuzzy Mathematics in Pattern Classification, PhD thesis, Applied
Math. Center, Cornell University, Ithaca, (1973).
[8] P. Inkala, A. Karppinen y M. Seppanen: Computer systems for controlling
blast furnace operations at Rautaruukki. Iron and Steel Engineer Vol. 72,
Issue 8, 44-48 (1995).
[9] M. Konishi, Y. Otsuka y M. Konishi: Application of Neural Network to
Operation Guidance in Blast Furnace. Third European Seminar on Neural
Computing, The Market Place, Londres, (1990).
[10] ECSC Workshop. Bruselas, 22 - 23 enero 1998. Application of Artificial
Neural Network Systems in the Steel Industry.
[11] D. Alahakoon, S. K. Halgamuge y B. Srinivasan: Dynamic self-organizing maps
with controlled growth for knowledge discovery. IEEE Transactions on
Neural Networks, 11-3, 601-614, (2000).
[12] C. Catania y C. G. Garino: Reconocimiento de patrones en el tráfico de red
basado en algoritmos Inteligencia Artificial. Revista Iberoamericana de
Inteligencia Artificial, vol. 12, núm. 37 (2008).
Capitulo 2 Redes Neuronales
88
[13] T. Yamakawa, K. Horio y T. Hiratsuka: Advanced self-organizing maps using
binary weight vector and its digital hardware design. Proceedings of the 9th
International Conference on Neural Information Processing Vol. 3 pp. 1330 -
1335 (2002).
[14] A. Gerardo y L. Colmenares: Stratified/PCA: un método de
preprocesamiento de datos y variables para la construcción de modelos de
redes neuronales Economía, XXV, 16. 45-71 (2000).
[15] M. Biehl, A. Ghosh y B. Hammer: Dynamics and Generalization Ability of
LVQ Algorithms. The Journal of Machine Learning Vol. 8, 323 - 360 (2007).
[16] M. Falzetti, J. Mochón y S. Kumar: Results and Perspectives of Using Artificial
Intelligence Techniques in Blast Furnaces: The FANCIM Project; Application
of Artificial Neural Network Systems in the Steel Industry; ECSC Workshop;
pp. 95-104, (1998).
Capitulo 3 Prevención de fallos 13 sondas…
89
CAPITULO 3
PREVENCIÓN DE FALLOS EN UN HORNO ALTO CON 13 SONDAS DE TEMPERATURA
POR ENCIMA DE LA CARGA A PARTIR DE LA INTERPRETACIÓN DE LAS SEÑALES
PROPORCIONADAS POR ELLAS.
La adaptación de los hornos altos a las nuevas tecnologías ha supuesto un
aumento muy importante de la información que se tiene de su
funcionamiento [1] [2], hasta el punto de que muchas veces los sensores
proporcionan un volumen de datos excesivo para los operadores de planta.
En este capítulo se describe una aplicación de los mapas auto-organizados
(SOM) como ayuda a la toma de decisiones en el control de un horno alto,
concretamente mediante el reconocimiento de los patrones de
temperatura que se obtienen de las sondas colocadas en el tragante, esta
vez con un número mayor de sondas, hasta 24. La clasificación de estos
patrones mediante un sencillo código de colores indicara al operador en
qué situación de funcionamiento se encuentra el horno alto, facilitando,
en su caso, las oportunas medidas correctoras que mantengan la
producción de arrabio en el óptimo.
3.1 I NT RO DUCC IÓN
Las redes neuronales constituyen, desde hace aproximadamente una
década una valiosa técnica de aprendizaje automático. Han sido aplicadas
satisfactoriamente a casi todos los campos posibles de la investigación,
como pueden ser la visión por computador, el reconocimiento de
patrones, la extracción de características e incluso la compresión de la
información. Debido a la versatilidad que presentan se han ido
introduciendo poco a poco en la industria [3] [4], en aplicaciones
Capitulo 3 Prevención de fallos 13 sondas…
90
tradicionalmente complejas y mal definidas, donde no se dispone de
modelos matemáticos que permitan analizar y predecir la respuesta de los
sistemas. Sus propiedades matemáticas junto con su configuración flexible,
tanto en su estructura geométrica como en la forma de aprendizaje
(supervisado o no) hacen de las redes neuronales una herramienta
polivalente y extremadamente sencilla de utilizar [8].
Por estas razones es fácil entender el creciente interés que demuestra
actualmente la industria por ellas, considerándolas como una alternativa
a los sistemas expertos, muy fiables para procesos perfectamente
conocidos y controlados pero que adolecen de una rigidez excesiva, siendo
incapaces de generalizar ante nuevas situaciones.
La moderna industria siderúrgica, con plantas automatizadas y hornos
altos monitorizados en tiempo real, ofrece una buena oportunidad de
utilizar las redes neuronales como ayuda para los operadores de planta [5],
ya que las reacciones que ocurren en el interior de los hornos altos son
difícilmente modelizables debido al gran número de variables que
intervienen [6] [7]. En cambio, esta aparente falta de información se
contrarresta con un gran volumen de datos que llegan de todos los
sensores colocados a lo largo de la estructura del horno y que los
operadores de planta deben interpretar correctamente para tomar las
acciones de control necesarias en cada momento de forma que el horno
alto produzca un arrabio de óptima calidad. Este es un tema de gran
importancia y que ha atraído un buen número de investigaciones: [8] se
centra en la predicción del contenido de silicio en el arrabio, [9] propone
controlar su calidad mediante una red del tipo perceptrón multicapa
(MultiLayer Perceptron, MLP en inglés) mientras que [10] busca en las redes
neuronales una forma de mejorar la desulfurización del arrabio. En la
literatura se pueden encontrar dos tipos de aplicaciones que utilizan
Capitulo 3 Prevención de fallos 13 sondas…
91
redes neuronales: para predecir y para identificar. La gran mayoría utiliza su
capacidad de predecir modelos y relaciones aún sin tener su expresión
explícitamente. En [11] se utiliza una red neuronal para obtener
correlaciones entre la composición, el proceso y las propiedades de los
aceros inoxidables, sin detenerse en considerar los fundamentos
matemáticos de la red. En [12] se presenta un método de diseño de aceros
aleados utilizando una red como modelo.
En la aplicación desarrollada se ha optado por utilizar mapas auto-
organizados (Self-Organized Maps, SOM en inglés), también llamados
mapas o redes de Kohonen.
Su principal característica es que son un tipo de red neuronal no
supervisada, propiedad muy interesante para la aplicación que se
pretende desarrollar [13], donde los datos de que se disponen no están
etiquetados y no existe la posibilidad de hacerlo.
3.2 DESCRIPC IÓ N DEL D ISPO SITI VO
La figura 3.1 muestra la posición de las sondas de temperaturas por encima de
la carga tal y como estuvieron situadas hasta el año 2005 en el horno alto B en
la factoría de Arcelor (Gijón). Hay dos sondas situadas en el mismo plano
vertical, cubriendo el diámetro del tragante del horno alto. Tal y como se
puede ver en la figura, la sonda de la derecha tiene siete termopares
equidistantemente distribuidos a lo largo de ella. La distancia horizontal entre
los dos termopares consecutivos es 671 mm. El primer termopar está situado a
100 mm de distancia de la pared del horno y el séptimo está sobre el eje
central del horno. La sonda del lado izquierdo tiene sólo seis termopares,
también están equidistantemente distribuidos a lo largo de la sonda, pero esta
Capitulo 3 Prevención de fallos 13 sondas…
92
vez la distancia entre dos consecutivos es de 710 mm. El primer termopar está
ubicado, como en el caso anterior, a 100 mm de distancia de la pared y el
último es sólo a 454 mm del último termopar de la sonda de la derecha. Es
importante tener en cuenta estas características dimensionales de las sondas,
ya que condicionan la interpretación de sus señales.
Ambas sondas se fijan con un ángulo de 9 ° de inclinación con respecto a la
horizontal. Con ello se pretende compensar el ángulo de inclinación de la
carga, tratando de colocar las sondas lo más paralelo posible a la superficie de
carga. Esto significa que la diferencia de altura entre el termopar central y los
más próximos a la pared del horno es de alrededor de 650 mm.
Al comienzo de la toma de datos, ambas sondas estaban equipadas con un
sistema de refrigeración por inyección de nitrógeno, que actuaba
principalmente en los dos termopares situados en el centro. Este sistema de
refrigeración tenía por objeto minimizar las fuertes cargas de calor soportadas
por las sondas, ya que a pesar de que los termopares pueden resistir
temperaturas más altas, la estructura metálica de la sonda se tiende a
deformar, doblándose hacia arriba. Aparte de los daños en las sondas, también
existe el riesgo de que la canaleta del sistema de carga se obstruya con las
sondas, afectando gravemente a la operación de carga.
Este sistema de enfriamiento, que estuvo operativo durante el desarrollo
inicial y las primeras tomas de datos, fue cambiado por otro que emplea agua
como refrigerante. El nuevo sistema permite obtener una señal de
temperatura más real, evitando la aparición de perfiles de temperatura “tipo
M”. Este problema se discutirá más tarde. En la parte inferior de la figura 3.1
aparecen numerados los 13 termopares (T01 - T13) y representados por un
triángulo.
Capitulo 3 Prevención de fallos 13 sondas…
93
Esta notación será la empleada en el resto de este capítulo para hacer
referencia a los termopares “por encima de la carga”.
Figura 3.1: Posición de las sondas de temperatura en el horno B objeto de estudio
Las señales de las sondas se envían y se almacenan en el ordenador de proceso
cada dos segundos. Este tiempo de muestreo es demasiado rápido para los
fines generales del estudio, lo que se ha hecho es promediar los valores de
períodos de dos minutos y almacenarlos de nuevo en la base de datos del
horno alto B.
4000 3000 2000 1000 0 1000 2000 3000 4000 0
500
1000
mm.
mm. T01 T02 T03
T04 T05
T06 T07 T08 T09 T10
T11 T12 T13
Capitulo 3 Prevención de fallos 13 sondas…
94
Figura 3.2: Posición relativa de termopares con respecto al eje central del H. A.
La figura 3.1 muestra que la posición de los termopares no es simétrica con
respecto al eje central del horno alto. La figura 3.2 muestra la posición de cada
termopar con respecto al centro de horno alto. Como puede verse, la
diferencia es mayor entre los termopares situados a ambos lados de la central,
T06 y T08, y tiende a disminuir al acercarse a la pared. Así, los termopares T01
y T13 se encuentran en una posición casi simétrica.
3.3 RECOPIL ACIÓ N Y ANÁL IS I S DE DATOS
Durante el trabajo, y como requisito previo, ha sido necesario crear una gran
base de datos, con las medidas obtenidas del horno B de Arcelor, que
comprende un período de más de dos años. Estos datos provienen de
diferentes dispositivos y sensores situados en el horno.
Como se ha explicado anteriormente, la tasa de muestreo fue de dos minutos
por cada uno de ellos. En los casos en que las variables son de evolución más
lenta, se ha repetido el último valor hasta que el dispositivo sensor lea uno
nuevo.
El conjunto de datos incluye las siguientes variables:
Capitulo 3 Prevención de fallos 13 sondas…
95
1. Temperaturas del horno alto:
1.1 Sondas por encima de la carga (13 medidas)
1.2 Temperaturas de la pared del horno (11 niveles, de 4 a 8
mediciones según el nivel)
2. Parámetros de la carga:
2.1 Colección de señales de la vara (dos de 6 m. y 16 m de un tiempo.)
2.2 Patrón de la carga
2.3 Relación mineral/coque
2.4 Tasa de carga
3. Parámetros del viento:
3.1 Volumen
3.2 Temperatura
3.3 Humedad
3.4 Enriquecimiento de O2
3.5 Presión
3.6 Tasa de inyección de carbón pulverizado (PCI)
4. Composición de los gases de escape:
4.1 % de CO
4.2 % de CO2
4.3 % de H2
5. Propiedades del arrabio:
5.1 Temperatura
5.2 Contenido de silicio
5.3 Principio y final de las coladas
Capitulo 3 Prevención de fallos 13 sondas…
96
Se han analizado estas variables para obtener su influencia en las señales de la
sondas de la temperatura por encima de la carga. En algunos casos, estas
relaciones se pudieron obtener por una simple inspección de los datos, en
otros casos, fue necesario emplear algunas técnicas de análisis de la señal,
como se describe a continuación.
La tarea principal de esta parte de la Tesis está relacionada con las sondas
situadas sobre la carga. El estudio de las variables se inició con la inspección de
las mismas. Se han realizado análisis estadísticos básicos sobre un total de
106.737 datos de cada variable, obtenidos de un período de 148 días
consecutivos de servicio del horno alto.
Estos análisis, aplicados en primer lugar a las temperaturas por encima de la
carga, consisten en el cálculo de la media, la mediana, la desviación estándar y
el valor máximo y mínimo de temperaturas alcanzado por cada termopar. Los
resultados se resumen en la tabla 3.1.
Termopar nº T min. °C T max. °C Media Mediana Desv. Std
T1 27 495 116.4 103.5 55.0
T2 28 550 109.9 94.8 62.4
T3 26 595 107.1 92.0 63.6
T4 26 554 127.7 112.1 66.7
T5 24 550 210.9 197.3 96.0
T6 21 548 309.4 313.1 120.1
T7 23 624 355.5 371.5 111.7
T8 24 684 339.9 347.8 117.6
T9 26 735 197.3 176.8 92.2
T10 28 683 124.2 109.5 64.1
T11 30 569 114.9 103.5 60.7
T12 30 489 117.3 105.5 60.8
T13 29 415 120.1 112.8 51.1
Tabla 3.1: Resultados estadísticos de las sondas de temperatura por encima de la carga.
Capitulo 3 Prevención de fallos 13 sondas…
97
Las temperaturas mínimas son esencialmente la temperatura ambiente y
corresponden a las paradas largas del horno alto. Las temperaturas máximas,
en general, son afectadas por el sistema de refrigeración, por lo que no
pueden ser consideradas como valores reales las temperaturas máximas
alcanzadas por el gas. Este efecto es más fuerte para los termopares situados
en la parte central de las sondas (T06, T07 y T08), que son los más afectados
por el sistema de refrigeración, ya que una vez que se superan los 500 °C, se
activa el flujo de nitrógeno de enfriamiento.
De un rápido análisis de los valores promedio y la mediana se desvelan otras
interesantes características de las señales; el valor máximo de los valores
medios se obtiene para la T07, el termopar central, como era de esperar. Sin
embargo, de acuerdo con la posición relativa de los termopares, también se
podría esperar que el valor de temperatura media para el T06 fuera más alto
que el valor medio para el T08.
De hecho, el comportamiento asimétrico del horno alto que se ve claramente
si se representan todas las temperaturas medias juntas, como en la Figura 3.3.
El gas parece estar más caliente en el lado derecho que en el izquierdo, por lo
menos, éste sería el comportamiento particular de este horno.
El fuerte efecto de los sistemas de refrigeración también se observa la
comparación de los valores de la media y la mediana de los termopares
diferentes. En el caso de los termopares exteriores (T01 a T05 y T09, T10 y T11)
la mediana es siempre inferior al valor medio.
Para el caso de los termopares interiores (T06 a T08) la media está por debajo
de la mediana. Este efecto está asociado con el fuerte y rápido descenso de la
temperatura que promueve el sistema de refrigeración, y que afecta
principalmente a los termopares centrales.
Capitulo 3 Prevención de fallos 13 sondas…
98
Por otra parte, el valor medio para los termopares centrales está muy por
debajo del valor esperado durante la operación normal, que sería cercano a los
500 °C.
Figura 3.3: Temperaturas medias de las sondas sobre la carga.
Tras el estudio preliminar antes descrito, los datos recogidos también fueron
utilizados para analizar la correlación entre las sondas de temperatura por
encima de la carga y otras variables relacionadas con el proceso. Se calcularon
las covarianzas cruzadas para cada termopar y las variables integradas en los
grupos B, C y E del conjunto total.
En algunos casos, los resultados obtenidos mostraron una pobre correlación y
no han sido citados aquí. Este es el caso de variables dentro del grupo E
(Propiedades del arrabio: temperatura - contenido de silicio - principio y final
de las coladas).
5000 4000 3000 2000 1000 0 1000 2000 3000 4000 5000 100
150
200
250
300
350
400
mm
Tem
p º
C
T01 T13 T12 T11
T10
T09
T08
T07
T06
T05
T04
T03 T02
Capitulo 3 Prevención de fallos 13 sondas…
99
Figura 3.4: Correlación cruzada entre el volumen de gases y las temperaturas de las sondas
sobre la carga.
La figura 3.4 muestra la covarianza cruzada entre las temperaturas de los 13
termopares y el volumen de gases. La covarianza cruzada es una estimación
estadística normalizada, por lo que el valor máximo que podría alcanzar seria
la unidad.
Como puede verse en la figura anterior, los termopares situados en el centro
del tragante del horno alto muestran una correlación más pobre que los
situados más cerca de la pared. Así, los termopares T01, T02, T03, T11, T12 y
T13 presentan una correlación negativa con el viento o volumen de gases.
Teniendo en cuenta la posición de los mínimos, los retrasos de la respuesta de
los termopares a los cambios de volumen de gas oscilan entre 20 y 50
minutos. Aunque las correlaciones son pobres, presentan un máximo con un
retraso de alrededor de 30 horas.
-3000 -2000 -1000 0 1000 2000 300
0
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
Co
rre
laci
ón
cru
zad
a
T01 y T13 T02 y T12 T03 y T11 T04 y T10 T05 y T09 T06 y T08 T07
Tiempo (minutos)
Capitulo 3 Prevención de fallos 13 sondas…
100
Los termopares T05 y T09 muestran un mínimo en la parte anti-causal de la
gráfica. Se trata de un pico ancho y la explicación de estos resultados podría
ser que el volumen de gases se incrementa después de períodos de
funcionamiento anormal en el horno alto. Por lo general, durante estos
períodos, el volumen de gases se reduce y la temperatura dentro del horno
disminuye.
Después de estos periodos, aumenta el volumen de gases, recuperándose el
punto de trabajo. Esto significa que las medidas de temperatura de estos
termopares, situados a más de un metro del centro del horno, ofrecen una
información muy sensible sobre el estado térmico de los hornos altos.
También se observa que estos termopares, T05 y T09, presentan una débil
correlación con un desfase de 20 horas.
Por último, los tres termopares centrales, T06, T07 y T08 muestran una
correlación bastante pobre. Este fue un resultado esperado por diversas
razones: Estos termopares están fuertemente afectados por el sistema de
refrigeración descrito anteriormente, el centro de horno es más sensible a los
cambios que la periferia y el horno alto, por lo general, opera en marcha
central durante el funcionamiento normal. Estos termopares muestran una
máxima correlación con un desfase comprendido entre 12 y 16 horas.
Tomando todos estos resultados en conjunto, es posible concluir que el
volumen de gases tiene dos efectos, en un principio tiende a enfriar el horno
alto, y después de un tiempo, lo calienta, desde el centro hacia la parte
exterior.
Capitulo 3 Prevención de fallos 13 sondas…
101
Figura 3.5: Correlación cruzada entre el nivel de la carga y la temperatura por encima de la
carga.
La Figura 3.5 muestra el resultado de covarianza cruzada entre el nivel de la
carga del horno y las temperaturas de las sondas de una manera similar a la
del caso anterior. Una vez más el resultado se puede agrupar en tres casos:
Los termopares T01, T02, T03, T04 y sus simétricos T13, T12, T11 y T10
muestran un comportamiento similar. Tienen una correlación bastante buena
con la medida del nivel de la carga y, como es de esperar, su correlación es
positiva. Esto refleja el hecho de que el gas llega a las sondas más calientes
cuando la carga disminuye. No hay una demora apreciable entre estas
medidas, lo que significa que la respuesta de la temperatura del gas al nivel de
carga es muy rápida.
Co
rre
laci
ón
cru
zad
a
Tiempo (minutos) -1000 -800 -600 -400 -200 0 200 400 600 800 1000 -0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Tiempo (minutos)
Co
rre
laci
ón
cru
zad
a
-50 0 50 -0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
T01 y T13
T02 y T12
T03 y T11
T04 y T10
T05 y T09
T06 y T08
T07
Capitulo 3 Prevención de fallos 13 sondas…
102
El resultado sigue siendo positivo para los termopares T05 y T09 pero la
correlación en este caso no es muy clara. Los termopares T06, T07 y T08
muestran una correlación negativa y muy pobre. Una vez más, el efecto fuerte
al sistema de refrigeración y el cambio más rápido de temperaturas en el
centro del horno alto pueden explicar este comportamiento.
El centro de la figura ha sido aumentado para mostrar pequeñas ondas que
tienen un periodo aproximado de 12 minutos. Esto encaja bien con el ritmo de
carga y sugiere la posibilidad de filtrar las señales de sonda para eliminar el
efecto de cambios en los niveles de carga.
Figura 3.6: Correlación cruzada entre el consumo de coque y la temperatura por encima de la
carga
La figura 3.6 muestra la correlación cruzada entre el consumo de coque y la
información de las sondas sobre la carga. Esta correlación está muy
relacionada con los resultados de la figura 3.7 que muestra la correlación con
el PCI (carbón pulverizado inyectado por las toberas). El consumo de coque y el
PCI tienen una relación inversa.
-3000 -2000 -1000 0 1000 2000 3000-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
time (minutes)
cro
ss-c
ova
riance
T01&T13
T02&T12
T03&T11
T04&T10
T05&T09
T06&T08
T07
Tiempo (minutos)
Co
rre
laci
ón
cru
zad
a
T01 y T13
T02 y T12
T03 y T11
T04 y T10
T05 y T09
T06 y T08
T07
Capitulo 3 Prevención de fallos 13 sondas…
103
Normalmente, cuando la proporción de PCI disminuye el consumo de coque
aumenta. Comparando las dos figuras se puede observar la relación. En cuanto
al PCI, parámetro gobernante del proceso, es más valioso analizar los
resultados en la figura 3.7.
Figura 3.7: Correlación cruzada entre el PCI y la temperatura por encima de la carga
Aunque los valores máximos alcanzados por la correlación entre el PCI y las
temperaturas de T06, T07 y T08 sean pequeños, muestran un pico sin apenas
demora (serán dos minutos para el T07 pero los dos minutos es tan sólo el
periodo de muestra). Esto indica el ritmo rápido de calentamiento producido
por la inyección del carbón. Los resultados de otros termopares no son muy
significativos en cuanto al PCI, correlacionados con otras variables del volumen
de gases, en particular, el aumento del PCI significa incrementar el volumen de
gases. La respuesta, según se aproxima a las paredes, tiende a ser menor y
probablemente, se oculta completamente por el efecto global de los gases.
-4000 -3000 -2000 -1000 0 1000 2000 3000 4000
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
time (minutes)
cro
ss-c
ova
riance
T01&T13
T02&T12
T03&T11
T04&T10
T05&T09
T06&T08
T07
Co
rre
laci
ón
cru
zad
a
Tiempo (minutos)
-800 T01 y T13
T02 y T12
T03 y T11
T04 y T10
T05 y T09
T06 y T08
T07
Capitulo 3 Prevención de fallos 13 sondas…
104
En la figura 3.8 se puede ver la correlación cruzada entre el ritmo de carga y las
temperaturas de las sondas sobre la carga. Como es de esperar, la correlación
es negativa. Cuando se incrementa la velocidad de carga, la parte superior del
horno alto se enfría. La correlación presenta una demora de 8 minutos. Esto
está de acuerdo con el tiempo mínimo para introducir una nueva carga.
Otra característica interesante es el importante cambio justo antes que la
correlación llegue a su pico. Estos reflejan un fuerte enfriamiento debido a la
introducción de nuevas cargas frías. Para el termopar T07, hay una correlación
positiva por la misma demora descrita arriba (8 minutos). Aunque sea una
correlación extremadamente débil, se podría relacionar con la flexión local
hacia el centro sufrido por el gas cuando una nueva carga se introduce en el
horno alto.
Figura 3.8: Correlación cruzada entre cargas/hora y la temperatura por encima de la carga
-2000 -1500 -1000 -500 0 500 1000 1500 2000
-0.45
-0.4
-0.35
-0.3
-0.25
-0.2
-0.15
-0.1
-0.05
0
0.05
time (minute)
cro
ss-c
ova
riance
-14 -12 -10 -8 -6 -4 -2
-0.465
-0.4648
-0.4646
-0.4644
-0.4642
-0.464
-0.4638
-0.4636
-0.4634
-0.4632
T01&T13
T02&T12
T03&T11
T04&T10
T05&T09
T06&T08
T07
Tiempo (minutos)
Co
rre
laci
ón
cru
zad
a
T01 y T13
T02 y T12
T03 y T11
T04 y T10
T05 y T09
T06 y T08
T07
Capitulo 3 Prevención de fallos 13 sondas…
105
En cuanto a los patrones de carga empleados, tienden a concentrar coque en
el centro del horno alto para obtener una columna central de coque, siendo la
cantidad de mineral mayor cerca de la pared. Esto provoca un descenso de la
permeabilidad en zonas próximas a la pared y la posterior recirculación del
flujo de gas hacia el centro.
La figura 3.9 muestra la correlación cruzada entre la temperatura de gases y las
temperaturas de las sonda sobre la carga. Si se establecen comparaciones
entre los resultados de esta figura y aquellos obtenidos para el volumen de
gases, los dos muestran características similares. De hecho, la temperatura de
los gases y su volumen están muy correlacionados. Esta es la razón por la que
se obtiene una correlación negativa para los termopares periféricos. En el caso
de termopares centrales T06, T07 y T08, la subida de temperaturas muestran
una respuesta ligeramente más rápida que en el caso del volumen de gases.
No obstante, no se puede obtener una conclusión clara debido a las fuertes
relaciones entre patrones de gases.
Figura 3.9: Correlación cruzada entre la temperatura de los gases y la de las sondas sobre la
carga
-2000 -1000 0 1000 2000 3000-0.8
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
time (minutes)
cros
s-co
varia
nce
T01&T13
T02&T12
T03&T11
T04&T10
T05&T09
T06&T08
T07
Tiempo (minutos)
Co
rre
laci
ón
cru
zad
a
T01 y T13
T02 y T12
T03 y T11
T04 y T10
T05 y T09
T06 y T08
T07
Capitulo 3 Prevención de fallos 13 sondas…
106
Con respecto a otros parámetros relevantes como pueda ser la humedad,
temperatura del arrabio, contenido de silicio, etc., no se ha obtenido una
correlación clara. Probablemente, la razón sea porque haya un
emparejamiento débil entre la parte superior (tragante y cuba) y la parte
inferior (tobera y crisol) del horno alto. De manera que, los efectos de la parte
inferior sobre la parte superior son muy lentos y la correlación permanece
completamente soterrada bajo la influencia de otras variables.
3.4 PATRO NES DE SO NDAS SO BRE L A C ARGA OBTENI D OS PO R SOM
El conjunto de las temperaturas obtenidas por las sondas sobre la carga,
contienen una información valiosa sobre la distribución de la temperatura de
gas. Para cada instante construyen un perfil de temperatura que evoluciona
en el tiempo. Un perfil típico tendría la forma mostrada en la figura 3.3.
Estos perfiles de temperaturas se pueden clasificar de acuerdo a su forma
particular [14], reuniendo los perfiles con una forma similar dentro de una
misma clase. El objetivo final de esta clasificación es el de obtener un conjunto
de clases que resuman el comportamiento del horno alto, permitiendo que los
operadores de la planta sepan lo que está ocurriendo en todo momento.
Las redes neuronales son unas herramientas útiles para estas tareas de
clasificación. En esta Tesis, los Mapas Auto Organizados (SOM) se han usado
para clasificar las señales de temperaturas de las sondas sobre la carga [15].
De esta forma, cada clase está representada por un patrón, que es un perfil
creado por la red neuronal durante el proceso de entrenamiento. Cuando se
presenta un nuevo perfil a la red neuronal para ser clasificado, el nuevo perfil
Capitulo 3 Prevención de fallos 13 sondas…
107
es comparado con los patrones existentes e incluido en esa clase cuyo patrón
representativo se asemeja mejor a la forma del perfil nuevo.
Las medidas de los termopares de la sonda sobre la carga se colocaron en un
despliegue 3-D, una coordenada por cada muestra de temperatura.
Estos despliegues fueron empleados durante el entrenamiento de la red
neuronal y la validación después de la estandarización [16].
La figura 3.10 muestra el interfaz del programa para el usuario de
entrenamiento de la red neuronal. Este programa ha sido diseñado
específicamente para entrenar los perfiles de las sondas sobre la carga,
teniendo en cuenta los resultados conseguidos durante el estudio de las
variables arriba descritas [17].
De manera que, no sólo las temperaturas de los termopares sobre la carga,
sino también una señal on/off y las señales de nivel de la carga han sido
incluidas como aporte. Estas dos señales adicionales son empleadas como
señales de control, de tal forma que permite al programa rechazar o aceptar
perfiles de temperatura para el entrenamiento.
Sólo se aceptan los perfiles si el horno alto está funcionando (en señal) y si el
nivel de carga está comprendido entre 0,5 y 1,0 metros. Las razones de estas
limitaciones se derivan del efecto de descenso de carga sobre los perfiles de
temperatura. Por otra parte, las temperaturas relacionadas con interrupciones
no son de interés.
Capitulo 3 Prevención de fallos 13 sondas…
108
Figura 3.10: Interfaz del usuario de la red neuronal (entrenamiento)
El programa se ha creado con un interfaz de usuario fácil de usar, tal y como se
ve en la figura 3.10. La ventana de la izquierda permite a los usuarios cambiar
los parámetros de entrenamiento, esto se puede hacer no sólo antes de
empezar, sino también durante el entrenamiento en sí.
En el lado izquierdo de esta ventana hay una columna de casillas de
verificación, que permite al usuario seleccionar qué neuronas serán
entrenadas. Normalmente, cuando se empieza el entrenamiento, cada
neurona se entrena pero según se presentan más y más muestras a la red
neuronal, el usuario puede decidir si parar el entrenamiento de una o varias
neuronas marcándolo en la casilla de verificación.
Las ilustraciones presentadas a la derecha de la casilla de verificación
previamente descrita, son factores que modifican el ritmo de aprendizaje para
la neurona correspondiente. De manera que, cada neurona puede ser
clase 1
lv 11926
nv 35 clase 2
lv 11539 nv
488 clase 3
lv 11920 nv
57 clase 4
lv 11596 nv
53 clase 5
lv 11825
nv 16 clase 6
lv 10316
nv 34 clase 7
lv 11912 nv
122 clase 8
lv 11933 nv
348 clase 9
lv 11884 nv
451 clase 10
lv 11721 nv
633 clase 11
lv 11914 nv
56 clase 12
lv 11931 nv
588 clase 13
lv 11552 nv
162 clase 14
lv 11879 nv
870 clase 15
lv 11932 nv
190
Capitulo 3 Prevención de fallos 13 sondas…
109
entrenada a un ritmo distinto. Esto evita oscilaciones cuando las clases llegan a
sus soluciones finales.
Debajo de las casillas de verificación se encuentran varios textos editables, que
permiten al usuario iniciar los pesos de la red neuronal al azar, cambiar el
vecindario afectado, el ritmo de aprendizaje, el número total de épocas y el
ritmo al que se presentan en la ventana mostrada a la derecha de la figura
3.10.
La columna de casilla de verificación, a la derecha, está relacionada con el
problema surgido con el sistema de enfriamiento de las sondas. Como se
explicó anteriormente, la activación del sistema de enfriamiento distorsiona la
forma de los perfiles, conduciendo a los perfiles con forma de M (un ejemplo
de perfiles con forma de M será de clase 8 en la figura 3.10). Para evitar éste
problema, el entrenamiento se lleva a cabo con un método llamado
“entrenamiento en cascada”. Después de un primer entrenamiento, se
obtienen unos patrones con forma de M. Estos son usados como filtros para
un segundo entrenamiento. Para seleccionar un patrón con forma de M como
filtro será suficiente con marcarlo en la casilla de verificación correspondiente,
en la columna de la derecha. Este entrenamiento filtrado será suficiente para
evitar patrones con forma de M en el conjunto final.
La ventana del lado derecho en la figura 3.10 muestra la evolución de los
patrones obtenidos durante el entrenamiento, para ser inspeccionados por el
usuario. Se puede recargar la ventana cada vez que se introduzca una nueva
muestra al programa, el patrón ganador será marcado en rojo y debajo de
cada patrón, se presenta el número de veces que haya ganado.
El programa se ha usado mucho para entrenamientos fuera de línea y en línea.
Su estructura, muy flexible, ha jugado un papel muy importante en la
obtención de patrones representativos.
Capitulo 3 Prevención de fallos 13 sondas…
110
3.5 ANÁLI SI S DE PATRO NES O BTENIDOS
Mediante este análisis se obtiene una forma final y un número de patrones
representativos para el reconocimiento de temperaturas en las sondas sobre la
carga.
El programa previamente descrito fue muy empleado para obtener patrones
representativos. El entrenamiento se llevó a cabo usando la mitad de los datos
disponibles. La otra mitad fue reservada para el propósito de validación. Se
llevó a cabo un primer entrenamiento bajo supervisión del usuario empleando
50 periodos. El entorno inicial empleado fue modificado en entrenamientos
sucesivos, para permitir que más patrones cubrieran áreas de muestras de
gran densidad y a su vez, evitando tener una concentración excesiva de
patrones en estas áreas.
El problema que surgió desde las primeras fases del estudio fue cómo decidir
el número total de patrones para emplear. Un gran número de patrones
pueden conducir a una dispersión excesiva de las muestras, forzando una
separación artificial de datos que tienen la misma situación en un horno alto.
Por otra parte, un número demasiado bajo puede conducir a clasificar
muestras conjuntamente, aun estando relacionadas con situaciones de horno
alto claramente distintas.
Por estas razones, se han llevado a cabo muchos ensayos con un número de
patrones con una variación desde 6 a 30. Después de examinar los resultados,
se ha elegido un conjunto de 15 patrones que son los que mejores resultados
han dado.
Capitulo 3 Prevención de fallos 13 sondas…
111
Figura 3.11: Patrones SOM obtenidos tras el entrenamiento (eje x: numero de sonda)
La figura 3.11 muestra los patrones obtenidos finalmente. El estudio de estos
patrones señala que muchos de ellos tienen una forma muy similar. En cuanto
a la red neuronal se basa en paradigmas de mapas auto-organizados (SOM).
Se clasifica en diferentes patrones de perfiles de temperatura que tengan una
forma similar, aunque su posición esté desplazada a causa del flujo asimétrico
del gas.
Por ejemplo, el patrón etiquetado como clase 1 en la figura 3.11 tiene la
máxima temperatura situada en alguna parte entre los termopares T07 y T08.
Igualmente, en clase 3 estaría situado entre los termopares T06 y T07.
class 1 class 2 class 3
class 4 class 5 class 6
class 7 class 8 class 9
class 10 class 11 class 12
class 13 class 14 class 15
clase 1 clase 2 clase 3
clase 4 clase 5 clase 6
clase 7 clase 8 clase 9
clase 10 clase 11 clase 12
clase 13 clase 14 clase 15
Tem
per
atu
ra (
°C)
Capitulo 3 Prevención de fallos 13 sondas…
112
Figura 3.12: Ejemplo de interpolación spline cubica para las clases 1, 5, 3 y 6
(eje x: numero de sonda)
Para obtener una imagen más clara de estos y otros efectos, será útil llevar a
cabo algún tipo de interpolación entre las temperaturas obtenidas para los
patrones [18]. En este caso particular se usó una interpolación spline cúbica.
Esto permite estimar cuál sería la posición de temperatura máxima. La figura
3.12 muestra un ejemplo de una interpolación spline cúbica para las clases 1,
5, 3 y 6, donde las líneas rojas representan los resultados de la interpolación,
mostrando la posición actual de los picos de temperatura.
3.5.1 REAGRUPAMIE NTO EN CL A SES M AYO RES
Después de llevar a cabo la interpolación con splines cubicas, se pueden
comparar los patrones fácilmente. La característica más notable que se pueda
llevar a cabo, es el efecto asimétrico en los patrones obtenidos. Así es que,
1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13
1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13
Tem
per
atu
ra (
°C)
Capitulo 3 Prevención de fallos 13 sondas…
113
algunos de ellos son muy similares siendo su diferencia principal la posición
asimétrica de la temperatura máxima. Este efecto debería estar relacionado
con el flujo de gas asimétrico. Se detectan ligeras asimetrías por la red
neuronal y son clasificadas en patrones distintos pero es necesario preservar
estos patrones porque un menor número conduce a errores en la clasificación
de temperatura.
Figura 3.13: Gran clase 1. Agrupa las clases 1, 3, 4, 7 y 14.
Es probable que sea necesario reagrupar las clases obtenidas para
relacionarlas con el estado del horno alto. Partiendo de los resultados, se
pueden reagrupar las clases iniciales en cinco grandes clases.
La figura 3.13 muestra la primera de estas clases. Esta gran clase agrupa
patrones que tienen un pico central estrecho y vientos llanos. Solamente el
patrón n. 4 presenta una forma enteramente simétrica con la temperatura
más alta centrada en el termopar T07. La clase 3 tiene su máximo desplazado
hacia la izquierda y el resto tiene su máximo desplazado hacia la derecha.
1 2 3
4 5 6 7 8 9 10 11 12 13
Clase 4
Clase 3
Clase 1
Clase 7
Clase 4
Termopares
400
300
200
100
Tem
pe
ratu
ra (
°C)
Clase 4 Clase 3 Clase 1 Clase 7 Clase 14
Capitulo 3 Prevención de fallos 13 sondas…
114
Todos estos patrones, ya reagrupados, están relacionados con un rendimiento
estable de horno alto con productividad alta. También están relacionados con
un flujo central de gas fuerte. Esto ha sido un resultado esperado con respecto
al horno alto B que normalmente es operado con una gran cantidad de coque
central causado por: una tasa alta de PCI, el estado actual de la pared del
horno alto que se calienta debido a las cargas térmicas fuertes y el bajo
contenido de álcalis en los minerales empleados en la carga que evitan la
formación de incrustaciones en la pared del horno.
La figura 3.14 muestra los patrones reagrupados en la segunda gran clase. En
éste caso, los patrones tienen un pico más extendido y las temperaturas no
son tan altas en el centro. Estos perfiles, con una forma más plana todavía, se
pueden considerar como representativos de un rendimiento estable del horno
alto. Algunas veces aparecen durante transiciones hacia perfiles de la clase
previa.
Figura 3.14: Gran clase 2. Agrupa las clases 2, 8 y 10.
Termopares
Clase 8 Clase 10 Clase 2
1 2 3 4 5 6 7 8 9 10 11 12 13
400
300
200
100
Tem
pe
ratu
ra (
°C)
Capitulo 3 Prevención de fallos 13 sondas…
115
Llegados a este punto, es importante comentar que los patrones fueron
obtenidos después de normalizar los perfiles de temperatura. En cuanto al
flujo de gas, puede que no sea simétrico, pero las temperaturas medidas por
sondas horizontales son proyecciones de la distribución tridimensional de las
temperaturas del gas sobre el plano de sondas. De manera que la
característica más importante no es la altura del pico, sino su anchura que
refleja una mayor o menor distribución de temperatura.
Los patrones pertenecientes a la tercera gran clase están representados en la
figura 3.15. Son menos frecuentes que los anteriores. Normalmente estos
patrones se asocian con:
a) Reducción en la entrada de flujo de aire,
b) Reducción del nivel de carga
c) Incremento de la bajada de presión en el horno alto.
Figura 3.15: Gran clase 3. Agrupa las clases 6 y 11.
La importancia de este tipo de perfiles de temperatura es grande cuando se le
relaciona con el caso c, porque este incremento en la bajada de presión dentro
1 2 3 4 5 6 7 8 9 10 11 12 13
Clase 6
Clase 11
400
300
200
100
Tem
pe
ratu
ra (
°C)
Capitulo 3 Prevención de fallos 13 sondas…
116
del horno alto está normalmente relacionado con una permeabilidad baja y
conducen a una horizontalidad de la zona cohesiva [19], a un descenso de
carga irregular y, como consecuencia, a un bajo rendimiento del horno alto.
Figura 3.16: Gran clase 4. Agrupa las clases 5, 12, 13 y 15.
Los grupos de patrones de la gran clase 4 se han representado reagrupados en
la figura 3.16. Representan una subida de flujo próxima a la pared. Cuando
aparecen éste tipo de perfiles y no son un resultado de cambios en la
distribución de carga, pueden dar lugar a colgaduras y posteriores colapsos en
el horno.
La última gran clase solamente incluye un patrón único. La figura 3.17 lo
muestra. Es un patrón muy llano y aparece solamente después de
interrupciones largas o colgaduras mayores.
Tem
pe
ratu
ra (
°C)
Termopares
1 2 3 4 5 6 7 8 9 10 11 12 13
Clase 5
Clase 12
Clase 13
Clase 15
400
300
200
100
Capitulo 3 Prevención de fallos 13 sondas…
117
Figura 3.17: Gran clase 5. Solo incluye a la clase 9.
Después de llevar a cabo esta nueva clasificación, los patrones antiguos se
reordenaron para poder reunir clases similares. La figura 3.18 muestra esta
nueva distribución. De manera que, los patrones situados en la columna
central tienen el patrón más centrado, su temperatura más alta está situada
muy cerca del termopar T07.
Los patrones situados en la columna derecha tienen su temperatura más alta
desplazada hacia la derecha y los patrones situados en la columna izquierda
tienen su temperatura máxima desplazada hacia la izquierda, excepto la última
que representa la clase relacionada con interrupciones y que se ha situado en
esa posición arbitrariamente. En la parte superior de la figura, los patrones
relacionados con flujo central y una situación estable, se han localizado. Según
se sigue la figura hacia abajo, los patrones representan situaciones con menor
flujo de gas central y, en general, menos estables.
1 2 3 4 5 6 7 8 9 10 11 12 13 Termopares
Tem
pe
ratu
ra (
°C)
Termopares
400
300
200
100
Capitulo 3 Prevención de fallos 13 sondas…
118
Figura 3.18: Clases reordenadas por forma similar, de acuerdo a las Grandes clases. (Verde: G
C 1, Amarillo: G C 2, Azul: G C 3, Rojo: G C 4 y morado: G C 5)
Esta nueva distribución permite a los operadores seguir la transición y
comprobar el estado del horno alto de una forma fácil [20].
3.6 RED NEURONAL PAR A L A RECO NST RUCC I ÓN DE I NFO RMAC IÓ N
Esta tarea no estaba planeada en el trabajo original de la Tesis. Se introdujo
más tarde con el fin de intentar recuperar parte de la información, pasada por
alto, por el fuerte efecto del sistema de refrigeración en la temperatura
registrada por los termopares situados en el área central del horno alto. El
sistema de refrigeración afecta principalmente el termopar T07. Cuando se
Sondas de temperatura
Tem
per
atu
ra (
°C)
Capitulo 3 Prevención de fallos 13 sondas…
119
pone en marcha el sistema de refrigeración, la temperatura mostrada por el
T07 se reduce drásticamente.
Se ha construido y entrenado una red neuronal para reconstruir la señal de
éste termopar. Esta vez se ha seleccionado una estructura Perceptrón de
multicapas. Los detalles de este tipo de red neuronal están recogidos en el
segundo capítulo de esta Tesis.
La red neuronal emplea como aportación los valores de los termopares
situados en ambos lados del T07. De hecho, se han empleado los valores de
T04, T05, T06, T08, T09 y T10. De manera que, la red neuronal tiene seis
aportaciones en total. El resultado único sería el del T07. Para entrenar a la
red se han empleado “los periodos limpios” en los que los perfiles de
temperatura no fueron afectados por el sistema de refrigeración.
Figura 3.19: Reconstrucción y reclasificación de un perfil afectado por el sistema de
refrigeración
Capitulo 3 Prevención de fallos 13 sondas…
120
La figura 3.19 muestra los resultados obtenidos por la red neuronal para un
caso en particular. Como se puede observar, el perfil original presenta una
temperatura extremadamente baja para el termopar T07 por lo que el sistema
lo situó en la clase 21. Después de haberse reconstruido para la red neuronal,
se obtuvo un valor más alto para el T07, y el perfil reconstruido se clasifica
dentro de la clase 6.
Figura 3.20: Reconstrucción y reclasificación de perfiles afectados por el sistema de
refrigeración.
El lado izquierdo de la figura 3.20 muestra perfiles de temperatura a lo largo
de un periodo de 30 minutos en donde tiene lugar una refrigeración
importante. Los perfiles con forma de M han sido dibujados en negro. Al lado
derecho, se representa el mismo periodo después de reconstruir las señales
con la red neuronal. Como se puede observar, solamente permanecen en
negro algunas señales.
Capitulo 3 Prevención de fallos 13 sondas…
121
3.7 MODELO DE VALI DACI ÓN
Validación por periodos largos
Una vez establecida una forma final para las clases, se empleó, de forma
extendida, un programa específicamente desarrollado para analizar la
información disponible. La versión final de este programa se describe a
continuación.
El análisis sistemático ha permitido establecer la relación entre patrones y el
estado del horno alto. Como resumen de los resultados obtenidos, la figura
3.21 muestra un diagrama de barras con la clasificación, llevada a cabo por la
red neuronal, por un periodo de más de un año.
Figura 3.21: Distribución estadística de los perfiles de temperatura según los perfiles a los que
pertenecen. (Negro: señales originales; Verde: tras reconstruir las señales en forma de M.)
Las barras negras representan la clasificación llevada a cabo por el mapa
autoorganizado para las señales originales. Las barras verdes representan la
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 0
2000
4000
6000
8000
10000
12000
14000
Nº de perfil
Capitulo 3 Prevención de fallos 13 sondas…
122
clasificación llevada a cabo por las mismas señales después de reconstruir los
perfiles afectados por el sistema de refrigeración. Las clases del 16 al 21 son
clases especiales para perfiles con forma de M. Como se puede observar,
después de reconstruir las señales, el número restante de perfiles con forma
de M se reduce drásticamente.
Las estadísticas muestran como los patrones relacionados con un rendimiento
normal del horno alto se obtienen con mayor frecuencia.
Normalmente, el rendimiento descrito arriba encaja bien con el rendimiento
del horno alto en sí y la clasificación de las temperaturas hechas por la red
neuronal permite describir el estado del horno y en algunos casos permite
prever colgaduras y colapsos.
Para ilustrar esto, se ha seleccionado un periodo de rendimiento de horno alto
irregular y los perfiles de temperatura obtenidos han sido clasificados
empleando el modelo desarrollado.
Figura 3.22: Evolución temporal de los perfiles de temperatura
La figura 3.22 muestra una representación en 3D, de la evolución temporal de
temperaturas de sonda sobre la carga durante éste periodo.
6.32 6.33 6.34 6.35 6.36 6.37 6.38
x 104
-5
0
5
100
200
300
400
500
600
700
Capitulo 3 Prevención de fallos 13 sondas…
123
El color asignado a cada perfil es arbitrario y ha sido introducido para clarificar
el gráfico.
Figura 3.23: Clasificación de las temperaturas de las sondas colocadas sobre la carga del horno.
Comparación con las medidas de las barras de carga (inferior).
La figura 3.23 reproduce en la parte superior las mismas temperaturas
mostradas en la figura 3.22. Esta vez sólo se muestra una vista frontal, así es
que, una única línea vertical representa cada perfil de temperatura. Cubren un
periodo de 180 horas. Cada una ha sido coloreada de acuerdo con el patrón al
que corresponde. Los periodos de señales coloreados en negro representan los
perfiles de temperatura que han sido alterados por la sonda del sistema de
0 20 40 60 80 100 120 140 160 1800
1
2
3
4
5
6
hours
m
0
200
400
600
800
ºCA
ltu
ra d
e la
car
ga (
m)
T
em
pe
ratu
ra (
°C)
Horas
Capitulo 3 Prevención de fallos 13 sondas…
124
refrigeración y no son de utilidad ya que la información fue destruida (los
perfiles con forma de M).
En la parte inferior de esta misma figura, la altura de la carga ha sido
representada para compararla con las señales de sonda sobre la carga. Hay un
cambio en la barra de medida empleada, a las 90 horas. Este cambio ha sido
marcado con un color distinto (señal roja en vez de azul). Se puede observar
un ligero cambio en el nivel de carga. Esta altura diferente puede ser la razón
para la ligera asimetría mostrada por el perfil de temperatura de carga
superior.
El periodo representado (una semana aproximadamente) se puede dividir en
cuatro zonas distintas:
La primera zona, hasta las 40 horas, es de gran estabilidad. La gran mayoría de
los perfiles pertenecen a la clases verdes, apareciendo alguno de las clases
rojas, y después de esto, un período de menos estables, con perfiles
clasificados como amarillo y azul. Esta menor estabilidad también se ve
reflejada en las medidas de las barras de medida de la altura de la carga.
La segunda zona corresponde a un periodo de 40 a 60 horas. Es una zona de
gran inestabilidad. Los perfiles de temperatura están clasificados en amarillo,
azul, rojo y eventualmente en morado. Tienen lugar muchas colgaduras y
deslizamientos durante el periodo entero que será revisado con mayor detalle
más adelante.
La tercera zona es un periodo altamente estable y cubre de 60 a 140 horas.
Los perfiles de temperatura han sido clasificados principalmente en verde.
Como se puede ver en la parte inferior de la figura, la bajada de la carga es
regular.
Capitulo 3 Prevención de fallos 13 sondas…
125
La cuarta y última zona comienza a las 140 horas. Corresponde a una parada
programada del horno alto y la posterior puesta en operación. Los perfiles de
temperatura están clasificados en morado. Después del arranque del horno
alto, los perfiles siguen clasificados en morado o rojo, indicando que el horno
alto no ha llegado a su rendimiento normal todavía.
Figura 3.24: Clasificación de las temperaturas de las sondas superiores en un periodo de 20
horas de funcionamiento del H.A. Comparación con las señales de altura de la carga y la caída
de presión entre el tragante y toberas
0
2
4
6
m
0 5 10 15 200
1
2
3
4
hours
Kg
/cm
2
0
200
400
600
800
ºCK
g/cm
2
Horas
Capitulo 3 Prevención de fallos 13 sondas…
126
En la figura 3.24 se puede observar, con mayor detalle, la segunda zona que se
ha descrito anteriormente, la comprendida entre las 40 y 60 horas. Se ha
añadido, en la parte inferior, la representación de la caída de presión entre la
zona de toberas y la zona del tragante del horno alto. Este periodo comienza
con dos horas de comportamiento normal en el horno alto. Luego, aparecen
perfiles azules, rojos y morados y la carga sufre un deslizamiento. La medida
de las alturas de la carga también muestra que algo anormal está ocurriendo.
En particular, la última señal parece estar parada justo antes del deslizamiento.
La bajada de presión sufre una subida repentina antes del deslizamiento y
después baja.
Es importante notar que las clases azules aparecen casi una hora antes de que
tenga lugar un primer deslizamiento grande. Esto da un aviso anticipado, de
alguna forma pronosticando el comportamiento anormal del horno alto que
tendrá lugar poco después.
0 20 40 60 80 100 120 140 160 1800
100
200
300
400
500
600
700
800
0 20 40 60 80 100 120 140 160 1800
200
400
600
800
Figura 3.25 Comparación entre las clasificaciones después de la reconstrucción de los perfiles
afectados por el sistema de refrigeración (superior) y los perfiles originales (inferior)
Capitulo 3 Prevención de fallos 13 sondas…
127
Después de esto, el horno alto parece recuperarse según señales de bajada de
presión en el stock rod. Esto no está tan claro si se tiene en cuenta la
clasificación de perfil de temperatura donde las clases de morado y rojo son
dominantes.
Después de seis horas, tiene lugar un periodo largo de mal rendimiento en el
horno alto. Durante más de 12 horas hay colgaduras y colapsos. Esto se
muestra claramente por la clasificación de la red neuronal que asigna perfiles
de temperatura a las clases rojas y moradas. Después del último deslizamiento,
aproximadamente a las 17 horas, el horno alto empieza a recuperarse
lentamente.
Este hecho no está reflejado por la clasificación que sigue manteniendo las
clases moradas y roja como dominantes, indicando que la recuperación
todavía no está completa.
La figura 3.25 muestra una comparación entre las clasificaciones establecidas
después de la reconstrucción de los perfiles afectados por el sistema de
refrigeración (parte superior) y la misma clasificación con los perfiles
originales. Es interesante resaltar como los perfiles originales clasificados en
patrones con forma de M, después de ser reconstruidos, se clasifican con los
mismos patrones como los perfiles vecinos. Por ejemplo, los perfiles
clasificados como “negros” en el periodo largo estable comprendido entre 60 y
130 horas, se clasifican como “verdes” después de haber sido reconstruidos.
Capitulo 3 Prevención de fallos 13 sondas…
128
3.8 HERR AMIE NTA DESARROLL ADA PAR A L A INTE RPRE TACIÓ N DE SONDAS
EN L Í NEA
Al mismo tiempo en el que se ha realizado esta Tesis, se implementó un
programa para clasificar los perfiles de temperatura y analizar los resultados
dados por otros parámetros de horno alto. Ha sido diseñado para trabajar en
línea, utilizando información del ordenador de proceso del horno alto y
también para trabajar fuera de línea descargando la información de un fichero.
El interfaz de usuario se muestra en la figura 3.26.
Figura 3.26 Interfaz del usuario
El interfaz presenta al usuario una serie de parámetros del horno alto para
comparar y estudiar su evolución. Se muestran gráficamente, la evolución
temporal de la humedad de los gases, enriquecimiento de oxígeno,
temperatura del arrabio, caída de presión entre toberas y tragante, y la altura
de la carga durante las dos horas previas. En la ventana principal, el perfil de
-150 -100 -50 0 39.5
40
40.5
humedad
-150 -100 -50 0 0
2000
4000
ox
-150 -100 -50 0 1450
1500
1550
hmt
-150 -100 -50 0 1.2
1.4
1.6
deltaP
-150 -100 -50 0 2
2.5
3 x 10
5
caudal
2 4 6 8 10 12 0
100
200
300
400
500
600
1
Te
mp
ºC
64 53
-120 -100 -80 -60 -40 -20 0 0
0. 5
1
alt. sonda
1 2 3 4 5 6 -8
-6
-4
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12
13 14 15
16 17 18
19 20 21
Capitulo 3 Prevención de fallos 13 sondas…
129
temperatura actual se muestra junto a su patrón representativo. También se
muestran el número de patrones. El esquema coloreado en el lado derecho
muestra la distancia entre la medida de la sonda de temperatura y los
patrones obtenidos durante el entrenamiento, empleando un código de
colores. Cuanto más oscuro es el color del cuadrado, más cercano está la
muestra al patrón. La distribución de los cuadrados coloreados es la misma
que la descrita anteriormente para los patrones obtenidos pero se han incluido
seis nuevos patrones, del 16 al 21. Estos nuevos patrones están relacionados
con los perfiles con forma de M.
Se ha añadido al conjunto para evitar confusiones y una clasificación
equivocada cuando se produzcan estos tipos de perfiles de temperatura en
particular. Se presentan otras informaciones en formato numérico, como
puede ser el tiempo, el número de sangrías, la tasa de PCI, y la relación
mineral/coque en la carga.
Finalmente, se incluyen los resultados derivados de un modelo para el perfil de
carga. Cuando se trabaja fuera de línea se puede parar el programa, reiniciarlo,
hacer que avance o retroceda, etc. El programa reinicia la pantalla y la
información cada dos minutos, en el caso de estar en línea o cambiar la
información de un fichero en el caso de estar fuera de línea, pero también en
el segundo caso la información es muestreada cada dos minutos.
Capitulo 3 Prevención de fallos 13 sondas…
130
Capitulo 3 Prevención de fallos 13 sondas…
131
B IBL IOGR AFÍ A C API TULO 3
[1] S. L. Jämsä-Jounela: Current status and future trends in the automation of
mineral and metal processing, Control Engineering Practice, Vol. 9, Issue 9,
1021-1035 (2001)
[2] H. Saxen y F. Pettersson: Nonlinear Prediction of the Hot Metal Silicon
Content in the Blast Furnace, ISIJ Int. 47, 1732-1737 (2007).
[3] N. Nikus y H. Saxen: Prediction of a blast furnace burden distribution variable,
ISIJ Int. 36, 1142-1150 (1996).
[4] H. Saxen, N. Nikus y J. Hinnelä: Burden distribution estimation in the blast
furnace from stock rod and probe signals, Steel Res. Int. 69, 406-412 (1998)
[5] S. Rajashekaran y G. A. Vijayalakshmi Pai: Neural Networks, Fuzzy Logic and
Genetic Algorithms: Synthesis and Applications, Prentice Hall of India, pp. 1-
456. (2003)
[6] J. Hinnela, H. Saxen y F. Pettersson. Modeling of the Blast Furnace Burden
Distribution by Evolving Neural Networks. Ind. Eng. Chem. Res., 42, 2314 –
2323 (2003).
[7] J. Hinnelä y H. Saxen: A neural network model of burden layer information
dynamics in the blast furnace, ISIJ Int. 41, 142-150 (2001).
[8] E. H. Mamdani: Applications of Fuzzy Algoritms for Simple Dynamic Plant;
Proc. IEEE, 121, nº 12, pp. 1585-1588, (1974).
[9] L. A. Zadeh: A Theory of Approximating Reasoning. Machine Intelligence, 9,
Eds. J. E. Hayes, D. Michie, y L. I. Mikulich. New York: Elsevier, pp. 149-194,
(1979).
[10] S. Chiu: Fuzzy Model Identification Based on Cluster Estimation, Journal of
Intelligent & Fuzzy Systems, vol. 2, nº 3, 267-278 (1994).
[11] J.-S. R. Jang, C.-T. Sun y E. Mizutani: Neuro-Fuzzy and Soft Computing. A
Computational Approach to Learning and Machine Intelligence, IEEE trans. Vol
42 – 10, 1482- 1484 (2002)
Capitulo 3 Prevención de fallos 13 sondas…
132
[12] J. C. Bezdek: Pattern Recognition with Fuzzy Objective Function Algorithms;
Plenum Press, New York, (1981)
[13] X.J. Hao, F.M. Shen, G. Du, Y.S. Shen y Z. Xie. A blast furnace prediction model
combining neural network with partial least square regression, Steel Res. Int.,
76, 694-699 (2005)
[14] A. B. Bulsari y H. Saxen: Classification of blast furnace probe temperatures
using neural networks, Steel Res. Int. 66, 231-236 (1995).
[15] F. Pettersson, J. Hinnelä y H. Saxen: Blast furnace burden distribution
modelling with an evolutionary neural network, Proc. of Int. Conf. on
Advances in Materials and Materials Processing (ICAMMP-2002), Eds. N.
Charkraborti, y U.K. Chatterjee, Kharagpur, India, pp. 599-608 (2002).
[16] M. Konishi, Y. Otsuka, K. Matsuda y N. Tamura: Application of neural network
to operation guidance in blast furnace, Third European Seminar on Neural
Computing, London (1990).
[17] J. Hinnelä y H. Saxen: A system for interpretation of blast furnace stock rod
measurements, Proc. of the 56th Ironmaking Conf., Chicago, ISS, pp. 637-677
(1997).
[18] H. Saxen: Interpretation of probe temperatures in the blast furnace using
polynomial approximations. Steel Res. Int. 67 73-78 (1996)
[19] Y. Omori: Blast Furnace Phenomena and Modelling. Ed. The Iron and Steel
Institute of Japan, Elsevier Applied Science, London, (1987)
[20] H. Saxen: Simplified simulation of the transient behaviour of temperatures in
the upper shaft of the blast furnace, Metall. and Mat. Trans. B, 29B, 691-697
(1998).
Capitulo 4 Control y toma de decisiones. . .
133
CAPITULO 4
CONTROL Y TOMA DE DECISIONES EN UN HORNO ALTO, CON 24 SONDAS ''ABOVE
BURDEN'', MEDIANTE REDES SOM
4.1. DESC RIPC IÓN DEL PROCESO ESTU DI ADO
En este capítulo se ha desarrollado el estudio del horno del que se dispone de
datos, el horno alto “A” de la planta que ArcelorMittal dispone en Gijón.
La figura 4.1 muestra las dimensiones más importantes, así como la
distribución de los 24 termopares de que dispone el horno, en
contraposición con los 13 de los que se contaba para el estudio realizado en el
capito anterior. Éstos 24 termopares se agrupan en dos sondas, cada una
con 12 termopares equidistantes. La colocación de las sondas es simétrica
respecto del eje del horno, por lo que conforman un diámetro del mismo,
estando sujetas a la pared en el tragante.
4.2. DESCRI PCIÓ N DE LOS SE NSO RES Y S I STEM AS AN EJOS
4.2.1. SONDA SO BRE L A C ARGA
Para obtener arrabio, el horno alto se alimenta con capas alternas de
m i n e r a l d e hierro, sinter y pellets y coque, según el esquema mostrado en
la figura 4.2. La composición fundamental de la mena de hierro son óxidos
de hierro e impurezas. Por su parte, el coque es mayoritariamente carbono,
aunque también contiene impurezas.
Capitulo 4 Control y toma de decisiones. . .
134
Figura 4.1: Cotas del horno alto y situación de los termopares
Por las toberas dispuestas en la parte baja del horno se insufla aire caliente
cuya temperatura, cercana a los 1250 oC, es suficientemente alta para
encender el coque, manteniendo una combustión continuada. Esta
combustión se produce generalmente en defecto de oxígeno, de modo que
se genera monóxido de carbono.
El CO reacciona con los óxidos de hierro, a los que reduce al combinarse
con el oxígeno que tenían presente, dando lugar a CO2 y hierro.
Capitulo 4 Control y toma de decisiones. . .
135
Figura 4.2: Esquema de un horno alto
4.2.2. PERFILES DE TEMPER ATUR A
Las sondas colocadas en el tragante del horno alto proporcionan 24
medidas de temperatura. Debido a su disposición, la información equivale a
un corte a lo largo de uno de los diámetros del horno, del que se obtiene
su perfil de temperatura.
Capitulo 4 Control y toma de decisiones. . .
136
Figura 4.3: Sonda “above burden”
Estos datos son enviados al centro computerizado de control del horno,
donde los operarios deciden, en función de la forma que presente el perfil
si el horno está funcionado adecuadamente y en caso necesario, modifican
el patrón de carga del horno para llevar el perfil de temperatura al
deseado.
Los perfiles obtenidos están relacionados directamente con la temperatura de
salida de los gases del horno, indicando según sean estos, cual es la marcha del
horno. Las sondas que nos indicarán cual es el perfil de las temperaturas en el
tragante, son similares a la que se muestra en la figura 4.3.
4.2.2.1. EL S I STEM A DE RE FRIGER ACIÓ N
El horno alto está equipado con un sistema de refrigeración dirigido a
proteger las sondas de temperaturas, ya que si la temperatura es muy
alta éstas comienzan a doblarse. La refrigeración funciona bajo dos criterios:
Capitulo 4 Control y toma de decisiones. . .
137
Si la temperatura supera un umbral fijado se dispara un chorro de agua en el
centro del horno.
Si no se alcanzan temperaturas por encima del umbral, el horno es enfriado de
todas formas a intervalos regulares de tiempo.
En teoría, el chorro de agua del sistema de enfriamiento debería ir dirigido
exactamente al centro del horno. Sin embargo, un estudio de los patrones
característicos que se producen cuando actúa el sistema - llamados
patrones en M o en W - muestra un ligero descentramiento hacia una
pared del horno. La figura 4.4 ilustra este fenómeno. Como resultado, se
puede ver claramente que el sistema de enfriamiento produce cuando
actúa, perfiles de temperatura anómalos, ya que la temperatura indicada
localmente por los termopares afectados es irreal.
Figura 4.4: Patrón de temperatura en forma de M, producido por la acción del sistema
de enfriamiento
Capitulo 4 Control y toma de decisiones. . .
138
Esto no presenta ningún problema en el funcionamiento normal del horno,
pero debido a la política de almacenamiento de datos seguida por
p r á c t i c a m e n t e l a t o t a l i d a d d e l a s empresas siderúrgicas tiene cierta
importancia: tras unos meses, para ahorrar espacio, se reducen los datos
guardando sólo datos de hora en hora, lo que puede ocasionar que se
tomen como temperaturas medias de toda la hora aquellas producidas
instantáneamente por el sistema de refrigeración.
Para evitar este inconveniente, que falsearía los resultados de determinadas
aplicaciones, s e propone en todos los casos interpolar mediante splines
cúbicos la curva del perfil de temperaturas [1]. No se ha utilizado esta
solución, ya que las redes neuronales pueden aprender los patrones con
que se les entrene [2] [3]. Puesto que los perfiles en M corresponden a un
tipo de patrón que se puede encontrar en la práctica, se ha optado por
incluirlos sin modificarlos. De esta forma se gana tanto en fiabilidad y
robustez de la red como en tiempo de cálculo y recursos computacionales
al no tener que interpolar previamente los datos proporcionados
por cada perfil de temperatura que llegue.
4.2.2.2. IMPORTANCI A DE L A TEM PER ATU R A E N EL TR AG A NTE
Un horno alto es una instalación diseñada para funcionar continuamente,
sin paradas, más allá de las previstas para el mantenimiento. De esta forma
el horno se va alimentando conforme se consume la carga anterior, de
manera que siempre haya capas descendiendo por su interior. La dinámica
del horno es extremadamente lenta; una capa de carga puede tardar más
de siete horas en llegar a la zona cohesiva, donde s e comienzan a formar
Capitulo 4 Control y toma de decisiones. . .
139
las primeras gotas de hierro líquido. Esta zona está representada en la
figura 4.2 por unas pequeñas gotas amarillas y la ausencia de mineral de
hierro. Puesto que la respuesta del horno alto es tan lenta, es necesario
controlar la temperatura en el tragante en todo momento, intentando
anticiparse a lo que ocurrirá cuando la carga situada en su nivel llegue a
fundirse completamente en el crisol. En ese momento se habrá convertido
en arrabio y buena parte de sus propiedades dependerán del perfil de
temperaturas que había en el tragante. Además, la calidad del acero
obtenido posteriormente en la acería también se verá afectada por la
temperatura de dicho arrabio. Actualmente son los operarios de planta los
que se encargan de vigilar la temperatura que registran los termopares
de las sondas, modificando la disposición y composición de las capas de
material con que se carga el horno, en función de la forma que tenga el
perfil de temperaturas.
4.3 RECO NOCIM IENTO DE PAT RO NES ME DI ANTE RE D ES NEU RO NALES
4.3.1. INT ROD UCCIÓ N . U TI L I ZAC IÓN DE RED ES SOM
La utilización de redes neuronales en la industria no es nueva [4] [5]. Desde
hace varios años ha aumentado el interés por ellas debido a que se
adaptan especialmente bien a problemas mal conocidos o estructurados,
donde no se conocen las ecuaciones o leyes que rigen el comportamiento
de sistemas o donde sencillamente los métodos tradicionales fallan [6]. Su
potencia radica fundamentalmente en dos propiedades: la posibilidad que
tiene la MLP ( p e r c e p t r o n m u l t i c a p a ) de aproximar con una precisión
arbitraria cualquier función continua y el descubrimiento y clasificación de
estructuras o relaciones ocultas que realiza la SOM. Hay muchos otros
Capitulo 4 Control y toma de decisiones. . .
140
tipos de redes neuronales, como las RBF, pero se puede decir que las dos
redes que predominan son la MLP y la SOM. La primera necesita un
aprendizaje supervisado y se puede utilizar para clasificar, aproximar o
comprimir-descomprimir información, si bien la mayoría de las aplicaciones
la utilizan para clasificación y reconocimiento de patrones. La SOM en
cambio se entrena sin supervisión, lo que favorece que la red se reorganice
de forma que las estructuras o relaciones ocultas que tenían los datos entre
sí salgan a la luz. Es por ello que en esta Tesis se ha elegido la utilización de
redes SOM, ya que al no disponer de más información que los datos
previamente mencionados, el entrenamiento no supervisado representa
una ventaja. Además, la organización automática que hace esta red de los
patrones de temperatura del tragante es particularmente útil si se
desea obtener una clasificación automática de los mismos, que sirva de
ayuda a los operadores de planta.
Figura 4.5: Relaciones de vecindad en una SOM de malla rectangular
Capitulo 4 Control y toma de decisiones. . .
141
4.3.2. DEFI NIC IÓN DE L A RE D SOM
Una red de Kohonen, o SOM (Self-Organizing Map), es una red neuronal no
supervisada, competitiva, distribuida de forma regular en una malla de una
o dos dimensiones, cuyo fin es descubrir la estructura subyacente de los
datos introducidos en ella. A lo largo del entrenamiento de la red, los
vectores de datos son introducidos en cada neurona y se comparan con el
vector de pesos propio de cada neurona. La neurona que presenta menor
diferencia (medida como distancia) entre su vector de pesos y el vector de
datos es la neurona ganadora y ella y sus vecinas verán modificados sus
vectores de pesos.
Figura 4.6: Relaciones de vecindad en una SOM de malla hexagonal
Capitulo 4 Control y toma de decisiones. . .
142
4.3.3. TOPOLOGÍA DE L A RE D
La estructura de una red SOM queda definida por su topología. Puesto
que la relación entre sus neuronas es una relación de vecindad, la
estructura quedará fijada al definir los vecinos de una neurona.
Típicamente se utilizan tres tipos de vecindad:
- Malla rectangular: cada neurona (salvo las de los bordes de la red)
tiene cuatro vecinas (figura 4.5).
- Malla hexagonal: cada neurona interior de la red tiene seis vecinas
(figura 4.6).
- Malla irregular: cada neurona tiene un número variable de vecinas,
que se puede definir manual o aleatoriamente, según interese. En la
figura 4.7 se muestra un mallado con vecindad aleatoria.
Las dos primeras relaciones de vecindad son las más utilizadas ya que al
ser regulares permiten tener un mayor control sobre lo que pasa en la red
durante su entrenamiento. Esto es importante ya que durante el
aprendizaje, aunque hay varias técnicas, lo más normal es que las neuronas
cercanas a la neurona ganadora para cada muestra de aprendizaje se
muevan hacia ella.
La noción de “cercanía” viene determinada por la relación de vecindad, de
forma que para un mallado irregular se puede dar la situación de que dos
neuronas estén muy próximas en términos de distancia pero no sean
Capitulo 4 Control y toma de decisiones. . .
143
vecinas. En las figuras 4.5, 4.6 y 4.7 la vecindad se representa por los
segmentos azules que unen cada neurona con las demás.
Figura 4.7: Relaciones de vecindad en una SOM de malla irregular
4.3.4. APRENDI ZAJE
La figura 4.8 muestra la arquitectura de una red SOM. Durante el
aprendizaje se dispone de un conjunto de muestras de dimensión R que se
le presentan a la red como vectores R × 1. El proceso de aprendizaje
consta de varios pasos:
1. Llega una muestra como vector R × 1 (véase la figura 4.8
para entender las entradas y salidas de la red).
2. Se calcula la distancia de cada neurona a la muestra.
3. Se determina la neurona ganadora para dicha muestra,
que será la que presente una menor distancia.
Capitulo 4 Control y toma de decisiones. . .
144
4. Se actualizan los pesos de la neurona ganadora y de sus
vecinas.
5. El proceso se vuelve a repetir hasta haber introducido todas
las muestras de aprendizaje, lo que se conoce como una
época de entrenamiento.
Figura 4.8: Arquitectura de la red SOM (autoorganizada)
Entre los parámetros que se pueden modificar en una red SOM se
encuentra la métrica utilizada para el cálculo de la distancia y el grado de
vecindad o cercanía necesaria para que las neuronas se desplacen hacia la
posición de la muestra introducida. Típicamente se utiliza una distancia
euclídea, aunque también se pueden ver aplicaciones que se basan en la
distancia de Manhattan o de Mahalanovich. En cuanto al desplazamiento,
lo normal es que las neuronas más cercanas se desplacen más que las
vecinas más lejanas. Además, se suele imponer una relación temporal, de
Capitulo 4 Control y toma de decisiones. . .
145
forma que para las últimas épocas del aprendizaje las neuronas se muevan
menos que para las primeras aunque la distancia que las separe de la
muestra sea la misma.
Figura 4.9: Representación/Relación entre entradas y salidas en una SOM
4.3.5. INTER PRE TACIÓ N DE RES U LTADOS
A diferencia de las redes neuronales supervisadas, como las MLP o las RBF,
donde se puede calcular un error de aprendizaje y se puede comparar una
entrada con una salida porque ambas son conocidas y están etiquetadas,
las redes SOM no permiten estos cálculos. La razón es sencilla: al ser no
supervisada, durante el entrenamiento no se le “dice” a la red la etiqueta
que tiene cada muestra de aprendizaje, por lo que ésta no podrá devolver
Capitulo 4 Control y toma de decisiones. . .
146
ninguna información al respecto durante el uso normal. La respuesta que
ofrece la red SOM es el mapeo de un espacio de entrada de dimensión R
en otro de dimensión reducida, normalmente 1 ó 2, de forma que las
neuronas se distribuyan cubriendo lo mejor posible el espacio de entrada.
Puesto que la estructura y el método de aprendizaje de las redes SOM está
basado en los conceptos de distancia y vecindad, lo único que se podrá
asegurar será precisamente la topología de la red, pero sin obtener ningún
criterio cualitativo que permita evaluar su eficacia o el error que se comete
al utilizarla.
Típicamente, puesto que se sabe qué neurona gana con cada muestra, se
suele analizar el mapa para identificar las regiones en las que se activan
neuronas cuando entran muestras similares (o del mismo tipo si se trata
de muestras etiquetadas).
Si la SOM ha sido bien entrenada y el problema está bien definido, lo
normal es que se respete el concepto de vecindad: muestras cercanas entre
sí activan neuronas cercanas entre sí. Por tanto, la etapa posterior de
supervisión permite identificar las regiones en las que se divide el mapa
atendiendo a dónde se encuentran las neuronas que se activan con cada
dato. Una vez definidas estas regiones, la red SOM ya está lista para
clasificar nuevos datos.
Capitulo 4 Control y toma de decisiones. . .
147
4.4 APLIC ACIÓ N DE L AS RE DES SOM A U N HO RNO ALTO
4.4.1. PL ANTEAMIE NTO DEL P R OBLEMA
El objetivo de esta Tesis es utilizar una red SOM para clasificar
automáticamente los datos de temperatura proporcionados por las dos
sondas colocadas en el tragante [7 y 8.
Al Utilizar su principal característica, el entrenamiento no supervisado, se
pretende llegar a una caracterización de los perfiles de temperatura [9
y 10 que permita informar al operario de planta de cómo está
funcionando el horno, ya que como se ha comentado anteriormente, hay
una relación entre la temperatura en el tragante y la calidad del arrabio
que se obtendrá varias horas después.
Los datos proporcionados por ArcelorMittal del horno alto “A” de la
factoría de Gijón son los siguientes:
- 24 datos de temperaturas, correspondientes a los 12 que registra cada
una de las dos sondas del horno.
- Concentración de CO en el tragante.
- Concentración de CO2 en el tragante.
- Concentración de H2 en el tragante.
- Temperatura media de las sondas.
- Temperatura del arrabio.
- Contenido de Si presente en el arrabio.
Capitulo 4 Control y toma de decisiones. . .
148
Figura 4.10: Estadísticas de los datos de temperatura
Todos los datos están tomados al mismo tiempo, a intervalos regulares de una
hora. En un principio sólo se han tenido en cuenta los datos de temperatura de
las sondas y la temperatura media del arrabio, aunque se viene desarrollando
un creciente interés por aplicar las redes neuronales para la predicción del
contenido de Si en el arrabio. Las figuras 4.10 y 4.11 recogen los valores más
representativos del estudio estadístico realizado a los datos de que se
disponen. Nótese que el patrón de temperatura, que debería ser idealmente
simétrico, presenta una zona bastante llana alrededor de los termopares
números 10 y 12, en contraposición con sus simétricos, que presentan una
pendiente siempre ascendente. Cabe pensar, como se comentó
anteriormente, que la actuación del sistema de refrigeración es el causante de
esta anomalía, siendo más acusada en un lado que en otro, debido a la
direccionalidad del chorro de agua proyectada. También hay que destacar la
Capitulo 4 Control y toma de decisiones. . .
149
enorme variabilidad que muestran los datos: la longitud de los segmentos
indica una dispersión típica muy elevada y las cruces rojas indican los datos
atípicos, que como se ve son muy numerosos. En cambio, la figura 4.11 no
presenta particularidades reseñables de la temperatura del arrabio, por lo que
será la SOM la que permita concluir si efectivamente existe una relación entre
la temperatura en el tragante y la del arrabio. Puesto que los datos
proporcionados por la factoría no venían clasificados por los operadores de
planta, ha sido necesario establecer una primera clasificación que permita
analizar de alguna forma los resultados que proporcione la SOM, ya que al
ser una red no supervisada, los criterios clásicos como el gradiente del
error no son aplicables. Para e llo se ha propuesto una clasificación
matemática, basada en dos criterios fundamentales:
Temperatura máxima alcanzada.
Termopar en el que se alcanza la temperatura máxima.
Figura 4.11: Estadísticas de la temperatura del arrabio
Capitulo 4 Control y toma de decisiones. . .
150
La tabla 4.1 recoge la formulación matemática de estos dos criterios, junto con
una pequeña descripción de lo que está pasando en el horno y el nombre
descriptivo (clase) que se da a cada caso. Estas clases resumen los perfiles de
temperatura en seis situaciones de funcionamiento de un horno alto:
1. Óptimo: el horno alto funciona perfectamente.
La carga es central y simétrica (el mineral de hierro se sitúa cerca de las
paredes y el coque en el centro), lo que permite obtener la máxima
temperatura en la zona central del horno. Además, la carga tiene la
porosidad suficiente como para permitir que los gases calienten la zona
p o r e n c i m a d e l a c a r g a hasta los 300 oC - 450 oC (figura 4.12).
2 . Subóptimo: el horno alto funciona muy bien.
La máxima temperatura se sitúa entre los 300 oC - 450 oC, aunque ahora
ya no se produce en el centro sino que se encuentra desplazada hacia la
pared. Quizá la operación de carga ha sido asimétrica y se está produciendo
un calentamiento anormal cerca de las paredes (figura 4.13).
3 . Bueno: el horno alto funciona b i e n .
La temperatura máxima se localiza en la zona central, aunque es algo baja
(300 oC – 200 oC).
4. No bueno: el horno alto no funciona bien.
La carga se sitúa cerca de la pared y la temperatura es baja, se sitúa por
debajo de los 300 oC. Es el momento de poner en funcionamiento las
acciones correctoras pertinentes.
Capitulo 4 Control y toma de decisiones. . .
151
5 . Regular: el horno alto funciona mal.
La temperatura máxima es muy baja (< 200 oC) a pesar de estar
centrada. El arrabio que se obtendrá será de calidad inferior (figura 4.14).
6. Pobre: el horno alto funciona realmente mal, está fuera de control.
La temperatura máxima en el tragante está por debajo de 200 oC y hay
irregularidades en el patrón de alimentación del horno que hacen que el
pico de máxima temperatura esté descentrado. La calidad del arrabio será
pobre.
Perfil
Temperatura
450 oC - 300 oC 300 oC - 200 oC < 200 oC
Central Óptimo Bueno Regular
Temperatura
máxima desviada a la
derecha
Subóptimo No bueno Pobre
Temperatura
máxima desviada a la
izquierda
Subóptimo No bueno Pobre
Carga en pared
derecha Subóptimo No bueno Pobre
Carga en pared
izquierda Subóptimo No bueno Pobre
Tabla 4.1: Clasificación matemática de los patrones de temperatura
Capitulo 4 Control y toma de decisiones. . .
152
En general, el coque - e n l a o p e r a c i ó n d e c a r g a – se ha de
introducir en el área central para alcanzar una temperatura de unos 450 oC
mientras que el mineral de hierro debe situarse cerca del muro. De esta
forma, cuando se queme el coque, el vacío central resultante de la
combustión hará que el mineral de hierro vaya cayendo hacia el centro del
horno.
Si el coque se deposita cerca de las paredes, la máxima temperatura será
baja y las medidas de los termopares cercanos a las paredes se
incrementarán.
4. 4.2. CL ASI FIC ACIÓ N NO SU PE RVI SADA MEDI ANTE SOM
La utilización de una red de tipo SOM no está muy extendida entre las
aplicaciones industriales. De hecho, la clasificación no supervisada ha sido
objeto de poca investigación [ 1 1 ] si se la compara con la abundante
información que existe sobre las redes de tipo Perceptron Mult icapa
(MLP) o de función de base radial (RBF), con dos notables excepciones: en
[ 1 2 ] se propone exactamente la misma aplicación que se expone en esta
Tesis, pero aplicada a la clasificación de los patrones de temperatura a lo
largo de la pared del horno alto y en [13] se utiliza también una red SOM
para clasificar los patrones de calor dentro del horno alto. En cambio, e n
[8], [14] se inclinan por el uso de redes MLP y en [15] se prefiere el uso de
redes RBF.
Capitulo 4 Control y toma de decisiones. . .
153
Figura 4.12: Patrón de temperatura óptimo
Figura 4.13: Patrón de temperatura subóptimo
Capitulo 4 Control y toma de decisiones. . .
154
Figura 4.14: Patrón de temperatura regular
4.4.2.1. ELECCIÓN DE L A RE D NE URO NAL
Como se ha comentado anteriormente, existen varios tipos de redes
neuronales, que se pueden clasificar principalmente en dos grandes grupos
atendiendo a cómo sea su entrenamiento: redes supervisadas y no
supervisadas. La gran mayoría de las redes supervisadas suelen tener la
arquitectura de un perceptrón multicapa (MLP), ya sea entrenado
mediante propagación hacia atrás (back propagation, BP) o por el
contrario, propagación realimentada hacia delante (feed forward
propagation, FFP). También se encuentran, aunque en menor cantidad, las
que utilizan las funciones de base radial (radial basis functions, (RBF). Si
por el contrario se busca un entrenamiento no supervisado, la red que se
Capitulo 4 Control y toma de decisiones. . .
155
utiliza es el mapa auto-organizado, (SOM), que ha sido la utilizada en esta
aplicación.
El número de patrones que puede aprender una red SOM es igual al
número de neuronas que la componen, de forma que hay que dimensionar
la red sin excederse, ya que se correría el riesgo de caer en
sobreentrenamiento, esto es, hay tantas neuronas disponibles que cada
una se puede dedicar a aprender, en exclusiva, un dato de entrada. Esta
práctica no es recomendable ya que se pierde la capacidad de
generalización que tenía la red ante datos no disponibles y, por tanto, no
procesados. Si por el contrario se construye una red con muy pocas
neuronas, éstas se reordenarán de la manera más eficiente posible,
probablemente entre medias de todas las muestras, con lo que no serán
capaces de representar bien a ningún grupo concreto de patrones.
Figura 4.15: Histograma de los datos clasificados según las 6 clases de la tabla 4.1
Capitulo 4 Control y toma de decisiones. . .
156
El histograma de la figura 4.15 muestra un gran desequilibrio en el
número de datos de cada clase, lo que se traducirá en que la gran mayoría
de las neuronas aprenderán patrones de las clases que tienen más
muestras. Esto representa un gran problema para los objetivos que se
persiguen en esta Tesis, por lo que se ha optado por una solución novedosa
que permitiera equilibrar las muestras de cada clase: se dividió en dos el
proceso de entrenamiento de la red:
1. Se entrenó una primera red SOM de 13 × 13 sólo con los datos de las
clases “óptimo” y “subóptimo”. De esta forma se consiguieron 169
patrones artificiales correspondientes a los pesos de las 13 × 13
neuronas. Estos patrones no corresponden exactamente a ningún dato,
pero recogen la información más relevante de todas las muestras, de
forma que podemos entender que las neuronas de la red presentan
un “resumen” d e los aproximadamente 5500 datos que suman entre
las dos clases.
La figura 4.16 muestra el nuevo histograma, más equilibrado que el
anterior. No es conveniente equilibrar totalmente el número de
muestras, ya que no todas las clases tiene la misma importancia: la
clase “pobre” se da con mucha menos frecuencia que la clase
“subóptimo” ya que el horno se controla de forma que opere
correctamente la gran mayoría del tiempo.
2. La segunda red SOM, de 10 × 10, se entrenó con los datos de las
clases “óptimo” y “subóptimo” provenientes de los pesos de las
neuronas de la red anterior, junto con los datos originales para las
Capitulo 4 Control y toma de decisiones. . .
157
demás clases. Esta red será la que se utilice para la clasificación
automática, no supervisada, de los patrones de temperatura.
Figura 4.16: Histograma de los datos clasificados según las 6 clases de la tabla 4.1, con
las clases “óptimo” y “subóptimo” reducidas mediante a una red SOM auxiliar
La topología de la red también es un factor a considerar. En este caso,
ante la falta de información al respecto, se ha elegido una estructura de
malla regular cuadrada, de forma que las neuronas estén inicialmente
equidistribuidas por todo el espacio de entrada.
4.4.2.2. ENT RENAMIE NTO DE L A P RIMER A RED SOM
El entrenamiento de la red auxiliar se llevó a cabo con las muestras de
las clases “óptimo” y “subóptimo”, ya que el objetivo no era validar la red
sino resumir la información recogida en los patrones de temperatura de
Capitulo 4 Control y toma de decisiones. . .
158
esas clases en sólo 169 datos. La figura 4.17 recoge el número de veces que
ganó cada neurona durante la fase de entrenamiento, mientras que la
figura 4.18 expresa la distancia que separa a cada una de las neuronas de
sus vecinas. Grandes distancias tienden a expresar grandes diferencias
entre patrones, mientras que si las neuronas están cerca, es razonable
pensar que los patrones a los que representan son muy parecidos. La
métrica que se utiliza para medir las distancias entre neuronas es la
euclídea.
Figura 4.17: Gráfica de la SOM auxiliar mostrando cuántas veces ha ganado
cada neurona durante el aprendizaje
Capitulo 4 Control y toma de decisiones. . .
159
Figura 4.18: U-matriz de la SOM auxiliar: los colores claros indican que las neuronas están
cercanas entre sí mientras que los colores oscuros indican una distancia mayor
4.4.2.3. ENT RENAMIE NTO DE L A S EGUNDA RE D SOM
Una vez entrenada la primera red, se utilizan los pesos de las neuronas como
datos de entrada para la segunda red SOM. Para ello, se decide la clase a
la que pertenece cada neurona teniendo en cuenta para qué muestras ganó,
ya que se sabe la clase de las muestras utilizadas para el aprendizaje, que
han sido clasificadas según la tabla 4.1.
Capitulo 4 Control y toma de decisiones. . .
160
La distribución de las muestras utilizadas para el aprendizaje de la red se
puede ver en la figura 4.16. A pesar de haber utilizado una red de 10 × 10
neuronas, 1000 épocas y número aceptable de muestras, se puede
observar en la figura 4.19 que hay cuatro neuronas que no han ganado
nunca. Al igual que antes, la gráfica 4.20 muestra las distancias relativas
entre neuronas.
Figura 4.19: Gráfica de la SOM mostrando cuántas veces ha ganado cada neurona
durante el aprendizaje
Capitulo 4 Control y toma de decisiones. . .
161
Figura 4.20: U-matriz de la SOM: los colores claros indican que las neuronas están
cercanas entre sí mientras que los colores oscuros indican una distancia mayor
4.4.2.4. RECONOCIM IENTO DE PAT RO NES
Una vez entrenada la red, es necesario identificar las neuronas como
pertenecientes a una u otra clase, de forma que pueda reconocer los nuevos
patrones que lleguen autónomamente 16. Para ello, puesto que la red SOM
es una red no supervisada, se ha partido de la clasificación basada en los
criterios de la tabla 4.1. Los colores de las curvas que representan el patrón de
cada neurona indican su clase, según el siguiente código de colores:
Capitulo 4 Control y toma de decisiones. . .
162
Rojo: clase “óptima”. Azul: “subóptima”. Negro: “buena”.
Cyan: “no buena”. Marrón: “regular” y Magenta: “pobre”.
Las figuras 4.21 y 4.22 reflejan los inconvenientes y debilidades de clasificar los
patrones de temperatura con estos criterios:
1. Las clases están entremezcladas, lo que indica, debido a la conservación
de la topología de las redes SOM, que los criterios utilizados no son
adecuados para establecer una clara separación entre clases.
2. El utilizar criterios rígidos cerrados, tales como que un grado arriba o
abajo de temperatura suponga el cambio de clase, implica que la
transición de clases entre las neuronas no será suave.
Figura 4.21: Patrones de temperatura obtenidos al entrenar la red SOM auxiliar de
13 × 13 neuronas
Capitulo 4 Control y toma de decisiones. . .
163
La figura 4.21 es especialmente llamativa; las clases están demasiado
mezcladas. Al atender a esta clasificación, la red será inútil cuando lleguen
datos nuevos, ya que, aunque en todos los casos habrá una neurona
ganadora, no estará muy claro la clase a la que debe pertenecer.
La solución pasa por utilizar la experiencia del operador de planta, que
toma como criterio para decidir si un patrón de temperatura es o no
bueno, la forma global del mismo, sin atender a unos criterios específicos
rígidos. Se pueden reducir las seis clases a sólo tres, agrupándolas de la
siguiente manera:
VERDE
BUEN FUNCIONAMIENTO DEL HORNO.
AGRUPA A LAS CLASES “ÓPTIMO” Y “SUBÓPTIMO”.
AMARILLO
FUNCIONAMIENTO REGULAR DEL HORNO.
AGRUPA A LAS CLASES “BUENO” Y “NO BUENO”.
ROJO
MAL FUNCIONAMIENTO DEL HORNO.
AGRUPA A LAS CLASES “REGULAR” Y “POBRE”.
En el fondo de la figura 4.22 se aprecia esta nueva clasificación.
Capitulo 4 Control y toma de decisiones. . .
164
Figura 4.22: Patrones de temperatura obtenidos al entrenar la red SOM de
10 × 10 neuronas
Se observan una serie de consecuencias que permiten validar la nueva
clasificación:
1. Las neuronas de cada nueva clase están juntas, con alguna
excepción.
2. La clase verde agrupa a las dos mejores clases, la amarilla a
las dos intermedias y la roja a las dos peores.
3. La variación entre clases es progresiva, como en un
semáforo: verde, amarillo y rojo, siendo imposible pasar de
Capitulo 4 Control y toma de decisiones. . .
165
verde a rojo porque ninguna neurona verde tiene como
vecina a una roja y viceversa.
4. La cantidad de neuronas proporciona una estimación de la
importancia de cada clase. Puesto que se intenta
mantener al horno alto de forma que opere en las mejores
condiciones posibles es lógico que haya más neuronas de
las mejores clases. Las neuronas pertenecientes a las
clases amarilla y roja serían realmente menos, ya que como
se ha explicado anteriormente, se ha reducido el peso de
las muestras de las mejores clases mediante la red SOM
auxiliar.
4.4.3. APLIC AC IÓN I ND U ST RI AL
Una vez que la red SOM ha sido entrenada y que, al ser no supervisado el
entrenamiento, sus neuronas han sido clasificadas manualmente
atendiendo a las indicaciones de los operarios de planta, ya se puede utilizar
para la clasificación automática de los nuevos patrones de temperatura
que vayan proporcionando las dos sondas.
4.4.3.1. SOFT WARE DESAR ROLL AD O
El objetivo principal de esta parte de la Tesis es la concepción de un sistema
automatizado, basado en redes SOM, que sirva de ayuda al criterio del
operador de planta, de forma que la evaluación del g r a d o d e
i d o n e i d a d del patrón de temperaturas del tragante, que en cada
Capitulo 4 Control y toma de decisiones. . .
166
momento registran las sondas, sea lo más sencilla y ágil posible. Para ello,
aprovechando la reducción en las clases que ha supuesto la clasificación no
basada en criterios matemáticos, se propone una sencilla aplicación
informática desarrollada en Matlab, que mediante un código de colores
del tipo semáforo, permita al operario conocer de un vistazo la
clasificación que hace la SOM del patrón de temperatura actual. Es
importante recordar que este software no está concebido para sustituir al
operador de planta, sino que ha de servir como una ayuda visual que
permita agilizar el control y la toma de decisiones en la sala de mando del
horno alto.
Figura 4.23: Ejemplo de clasificación automática de un patrón de temperatura
“óptimo”
El software desarrollado muestra en todo momento el último patrón de
temperatura proporcionado por los termopares de las sondas en una
ventana gráfica que se actualiza cuando llega un nuevo dato. El fondo de
dicha ventana muestra un color determinado automáticamente por la
SOM, siendo verde para los mejores patrones, amarillo para los regulares y
Capitulo 4 Control y toma de decisiones. . .
167
rojo para los malos, de acuerdo con la figura 4.22. Además, en caso de que
se requiera un refinamiento extra en la información proporcionada, el título
de la gráfica corresponde a la clasificación que habría obtenido el patrón
de acuerdo a la tabla 4.1. Las figuras 4.23, 4.24 y 4.25 ilustran el
funcionamiento del programa con un ejemplo de patrón clasificado en
cada una de las tres clases principales.
Figura 4.24: Ejemplo de clasificación automática de un patrón de temperatura “no
bueno”
4.4.4. CORREL ACIÓ N ENT RE L A TEMPER ATU RA DEL AR R A BIO Y L A
CL ASI FIC ACIÓ N DE L A SOM
Una de las mayores líneas de investigación en el sector siderúrgico y más
concretamente, entre los productores de acero, es la determinación del
contenido de silicio en el arrabio procedente del horno alto 17, ya que está
estrechamente relacionado con su calidad. También es frecuente intentar
predecir el contenido de azufre que tendrá, ya que éste fragiliza la
Capitulo 4 Control y toma de decisiones. . .
168
estructura del acero resultante 18. En esta Tesis se ha intentado ir
más lejos aún y generalizar el binomio temperatura-calidad del arrabio.
Figura 4.25: Ejemplo de clasificación automática de un patrón de temperatura
“regular”
Los operadores saben que la calidad del acero dependerá, en buena
medida, de la temperatura a la que se obtenga el arrabio, de modo que
cuanto antes se pueda predecir esta temperatura antes se podrá actuar.
Puesto que la red SOM entrenada clasifica los patrones de temperatura
en el tragante del horno, que es el comienzo de la producción de arrabio,
parece lógico intentar utilizarla para predecir su calidad.
La figura 4.26 muestra los resultados obtenidos. Puesto que no se sabía
exactamente cuál era el tiempo necesario para que la carga introducida en
el horno alto tuviera repercusión en la temperatura del arrabio, se han
calculado los coeficientes de correlación entre la clasificación de los
patrones de temperatura en el tragante, efectuada por la SOM y por
los criterios de la tabla 4.1 y la temperatura medida en el arrabio un
número variable de horas después. Se ha tomado como base 24 horas,
Capitulo 4 Control y toma de decisiones. . .
169
correspondiente a un periodo lo suficientemente amplio como para que la
carga introducida en el tragante ya haya sido extraída del crisol. Además,
para saber si la correlación obtenida es o no significativa se muestran los
p-valores asociados a cada coeficiente de correlación para las dos
clasificaciones (SOM y criterios matemáticos). Un p-valor menor del 0,05
indica que, con una confianza del 95%, la correlación obtenida no es
casual. Los resultados obtenidos no pueden ser más ilustrativos:
La correlación empieza a ser significativa a partir de la primera hora.
La correlación es máxima a las 8 horas de haber introducido una nueva
carga en el horno alto. Este es el tiempo medio, que coincide con el
conocimiento basado en la experiencia de los operadores de planta,
que tarda una capa de carga en llegar a la zona cohesiva del horno alto
y en comenzar a fundirse.
Las correlaciones obtenidas, según la clasificación de la SOM (en rojo) y
de la tabla 4.1 (en azul), muestran comportamientos parecidos y
coinciden para un retraso de 8 horas, exactamente cuando se alcanza
la correlación máxima.
A partir de unas 15 horas de la introducción de la carga en el horno
alto se puede suponer que ya ha sido convertida en arrabio puesto que
la correlación cae drásticamente hasta valores no significativos (su p-
valor es mayor de 0,05).
Capitulo 4 Control y toma de decisiones. . .
170
Figura 4.26: Coeficientes de correlación y p-valores asociados a la hipótesis de que no
haya una correlación significativa en función del tiempo transcurrido desde que se
introduce una nueva carga en el horno alto
Por tanto, se puede concluir que la temperatura en el tragante condiciona
alrededor de un 12% la temperatura que se obtendrá en el arrabio unas 8
horas después. Hay que recordar que la correlación sólo mide relaciones
lineales entre magnitudes, y que es seguro que existirán relaciones no
lineales que no han podido ser detectadas.
Capitulo 4 Control y toma de decisiones. . .
171
BIBLIOGRAFÍA CAPITULO 4
[1] H. Saxen: Interpretation of probe temperatures in the blast furnace using
polynomial approximations, Steel Res. Int. 67, 73-78 (1996).
[2] S. Rajashekaran y G. A. Vijayalakshmi Pai: Neural Networks, Fuzzy Logic and
Genetic Algorithms: Synthesis and Applications, Prentice Hall of India., pp. 1-
456. (2003)
[3] M. Konishi, Y. Otsuka, K. Matsuda y N. Tamura: Application of neural network
to operation guidance in blast furnace, Third European Seminar on Neural
Computing, London (1990).
[4] M. Falzetti, U. Chiarotti, J. Jiménez y J. Mochón: Investigation of Fuzzy Logic
and Neural Network Based Strategies for Control Optimisation of Ironmaking
Process, EUR 19348 en. (2000)
[5] J. Morris y E. B. Martin: Proc. Application of Artificial Neural Networks
Systems in the Steel Industry, ECSC Workshop, European Commission,
Brussels, 9 (1998).
[6] S. Dwarapudi, P. K. Gupta y S. M. Rao: Prediction of Iron Ore Pellet Strength
Using Artificial Neural Network Model, ISIJ Int., 47 No. 1, 67-72 (2007).
[7] A. B. Bulsari y H. Saxen: Classification of blast furnace probe temperatures
using neural networks, Steel Res. Int., 66, 231-236 (1995).
[8] F. Pettersson, J. Hinëla y H. Saxen: Blast furnace burden distribution modelling
with an evolutionary neural network, Proc. of the Int. Conference on
Advances in Materials and Materials Processing (ICAMMP-2002), eds. N.
Charkraborti, y U.K. Chatterjee, Kharagpur, India, pp. 599-608. (2002)
[9] R. Martín D., J. Mochón, L. F. Verdeja, R. Barea, P. Rusek y J. Jiménez: Above
burden temperature data probes interpretation to prevent malfunction of
blast furnaces. Intelligent information preprocessing, Steel Res. Int., 80, No.
3, 194. (2009)
Capitulo 4 Control y toma de decisiones. . .
172
[10] R. Martín D., J. Mochón, L. F. Verdeja, R. Barea, P. Rusek y J. Jiménez: Above
burden temperature data probes interpretation to prevent malfunction of
blast furnaces. Factory Applications, Steel Res. Int., 80, No. 3, 185-193 (2009).
[11] J. A. Freeman y D. M. Skapura: Redes Neuronales: Algoritmos, Aplicaciones y
Técnicas de Programación; Ed. Addison-Wesley, ISBN 0201513765 (1993).
[12] J. C. Bezdek, y K. Pal Sankar: Fuzzy Models for Pattern Recognition, IEEE Press,
(1992)
[13] J. Jiménez, J. Mochón, J. Sainz de Ayala y F. Obeso: Blast furnace hot metal
temperature prediction through neural networks-based models ISIJ Int., 44
No. 3, 573-580 (2004).
[14] C. Xing, H. Xiqin, W. Wenzhong, Z. Huaguang and Y. Xihuai: The application of
techniques of neural network to product structure analysis of iron and steel
corporation, IJCNN’99, Vol. 5, pp. 3377-3379, (1999).
[15] Z. Lawrynowicz y S. Dymski: Adv> Mater. Sci., 8, No. 1, 94-104 (2008).
[16] J. Mochón, J. Jiménez, E. Faraci, H. Rausch, K. Heinäen, H. Saxen et al., Above
Burden and in Burden Probe Data Interpretation by a Neural Network Based
Model to Improve Blast Furnace Control, Technical Steel Research Series,
European Commission, ISBN92-8945697-3, (2003).
[17] Y. Wei, L. Ya-Xiu, B. Bing-zhe y F. Hong-Sheng: RBF-Type Artificial Neural
Network Model Applied in Alloy Design of Steels, J. Iron Steel Res. Int., 15, No.
2, 87-90 (2008).
[18] F. Nürnberger, M. Schaper, F. W. Bach, I. Mozgova, K. Kuznetsov, A. Halikova y
O. Perederieieva: Prediction of continuous cooling diagrams for the precision
forged tempering steel 50CrMo4 by means of artificial neural networks, Adv.
Mater. Sci., art. 582739, 10 p. (2009).
Capitulo 5 Conclusiones
173
5 CONCLUSIONES
5.1. DISCUSION DE LOS RESULTADOS OBTENIDOS PARA HORNOS CON 13 SONDAS
POR ENCIMA DE LA CARGA.
Cuando un operador del horno recibe, a través de las sondas sobre la carga,
una gran cantidad de datos, necesita procesarlas, estableciendo una estructura
que le permita actuar rápidamente tomando las decisiones necesarias sobre la
marcha del horno.
Varios aspectos de los trabajos realizados en la confección de esta Tesis
Doctoral pueden considerarse valiosos para mejorar la operación del horno
alto:
En primer lugar, el estudio que se llevó a cabo en las señales de sondas sobre
la carga ha permitido un conocimiento más completo de su significado y su
relación con los parámetros de marcha que influyen en el rendimiento del
horno alto.
Se ha establecido que, la observación de las señales de la carga, por sí mismas,
según se obtienen de las sondas del horno alto, son de poco valor para los
operadores de planta debido al gran volumen de resultados obtenidos. La
mayor parte de su información está oculta por las complejas relaciones que
existen entre los resultados obtenidos de ellas y las perturbaciones operativas
a corto y largo plazo.
El estudio de las distribuciones de temperatura y su evolución, obtenidas de
las sondas, es un indicador de los estados concretos que deben mantenerse o
evitarse para conseguir una operación dentro de los valores paramétricos
establecidos.
Capitulo 5 Conclusiones
174
De manera que, es notable que una de las consecuencias de los estudios
desarrollados haya sido que la dirección de la empresa al cuidado del horno
alto haya decidido cambiar el sistema de refrigeración ya que el sistema
antiguo, de enfriamiento mediante gas, eliminaba una parte importante de la
información suministrada por las sondas. Esto da una idea del bajo uso que se
ha dado de la información que estas sondas son capaces de suministrar.
Aplicando esta información adecuadamente al trabajo a diario con el horno
alto se pueden conseguir reducciones de costos, aumentos de producción y
mejoras de calidad significativas.
En segundo lugar, como consecuencia del estudio llevado a cabo, se ha creado
una herramienta fiable para la interpretación de la evolución de las
temperaturas de las sondas situadas sobre la carga para diagnosticar el estado
del horno alto y así trabajar en condiciones más favorables.
Esta nueva herramienta, basada en la red neuronal, puede suministrar a los
operadores de planta, no sólo información de los valores de las señales según
se obtienen de las sondas, sino también una interpretación de estas señales de
acuerdo con los estados posibles del horno alto y la posibilidad de comparar y
comprobar estos resultados con otras variables significativas del mismo,
pudiendo ser una herramienta útil para los operadores de que correlaciona los
diferentes estados.
Ahora será posible prever los estados de mal funcionamiento del horno,
tomando las medidas correctoras con antelación. Es decir, utilizar las actuales
sondas situadas sobre la carga de un modo más eficiente, disminuyendo costos
y mejorando la calidad del arrabio.
El sistema se puede trasladar a otros hornos altos, aunque siempre será
necesario que se realice el entrenamiento de la red neuronal para adaptarse a
cada horno nuevo.
Capitulo 5 Conclusiones
175
Y por último, pero no menos importante, el “know-how” desarrollado puede
servir para aplicar esta técnica a otras sondas del horno alto y alentar a los
investigadores a continuar con el estudio de las diferentes variables del horno
alto, su interpretación y, por tanto, poder alcanzar una mejor comprensión y
un mejor control del mismo.
Se espera que este modelo pueda ayudar a disminuir el consumo de los
agentes de reducción, coque y carbón. Por supuesto, una vez que el modelo se
vaya utilizando más tiempo, junto con el aumento de los datos obtenidos y
utilizados, se obtendrá una mejor cuantificación de la utilidad de este modelo.
Cuantos más datos adicionales para el entrenamiento de las redes neuronales
se tengan, mayor será la calidad del modelo, aumentando cada vez más los
beneficios buscados.
Se han desarrollado y probado diferentes métodos para una mejor
interpretación de los datos proporcionados por las diferentes sondas situadas
en el tragante del horno alto. Los parámetros asociados a los gases del
raceway son los que más rápidamente determinan los cambios de estado en la
marcha del horno alto.
Todos estos métodos utilizan diversas técnicas, todas ellas basados en las
técnicas de la Minería de Datos (Data Mining)
Resumiendo, se han empleado redes neuronales de diferentes tipos para:
Analizar y clasificar las temperaturas de las sondas por encima de la carga.
Como resultado, es posible, partiendo de la clasificación realizada por la
red neuronal, diagnosticar el estado del horno alto. Además, es posible
prever una situación anormal.
Capitulo 5 Conclusiones
176
Partiendo de estos resultados, se ha creado una herramienta de software
para utilizar en el centro computerizado de control del horno alto y servir
de ayuda al operador, mediante un computador que analiza las
temperaturas obtenidas en las sondas instaladas sobre la carga.
También se han utilizado diversos modelos, clásicos o híbridos, para obtener el
modelo que relaciona las temperaturas de las sondas situadas por encima de la
carga, con la distribución de la carga y para calcular la distribución más
favorable de la carga en el tragante y en el eje central del horno alto.
Se ha utilizado una red neuronal para reconstruir la información de los datos
proporcionados por el termopar, situado en el centro del horno, con el fin de
evitar una pérdida de información debida al sistema de refrigeración y
enfriamiento de la sonda. En ese apartado se ha planteado, que cada vez que
se obtiene un nuevo perfil de temperatura de las sondas situadas sobre la
carga, se clasifica y, posteriormente, se realiza un diagnóstico válido utilizando
un método similar a los semáforos, esto es útil para los operadores de la
planta, informándoles sobre el rendimiento de horno alto
Al mismo tiempo, es posible pronosticar la aparición de descuelgues y
derrumbamientos de la carga con más de una hora de antelación.
También se ha desarrollado una nueva herramienta, de fácil manejo, para la
interpretación de las señales de las sondas por encima de la carga, a partir de
la investigación antes mencionada, lo que permite a los operadores obtener
no sólo las señales de la sonda al descubierto, sino también una primera
interpretación de su significado operativo.
Capitulo 5 Conclusiones
177
5.2 DISCUSION DE LOS RESULTADOS OBTENIDOS PARA HORNOS CON 24 SONDAS
POR ENCIMA DE LA CARGA.
En cuanto a los resultados obtenidos al emplear un sistema de 24 sondas sobre
la carga en vez de las 13 sondas iniciales, se puede afirmar que:
Los resultados muestran una excelente capacidad de reconocimiento y
clasificación de los patrones de temperatura por parte de la red neuronal. Es
difícil evaluar los resultados obtenidos por el uso de la SOM, red de mapas
autoorganizados, ya que al ser una red no supervisada carece de los criterios
de evaluación tradicionales, como son el gradiente del error cometido durante
el entrenamiento, el error cuadrático medio o la matriz de confusión.
Sin embargo, es precisamente por este motivo por el que se ha elegido una red
con entrenamiento no supervisado, ya que no hay forma de contrastar los
resultados al no haber datos al respecto y la red SOM permite sortear esta
carencia de forma notable, pudiendo disponer de evaluaciones, en tiempo
real, de valores del horno alto.
Como ya se ha visto, en las redes SOM el concepto de topología es sumamente
importante. Atendiendo a este criterio, de una forma más cualitativa que
cuantitativa, se puede analizar su comportamiento. La red SOM utilizada
finalmente conserva perfectamente el concepto de topología ya que ha
conseguido separar perfectamente en regiones disjuntas las clases principales
en que se deben dividir los patrones de temperatura.
Se ha demostrado que esta clasificación recoge y supera a la clasificación
matemática de los patrones de temperatura (tabla 4.1), aumentando su
generalidad y por tanto su utilidad. El respaldo y aceptación que muestra la
clasificación de la SOM, por parte de los operadores, es otro factor a tener en
Capitulo 5 Conclusiones
178
cuenta a la hora de evaluar sus prestaciones. Finalmente, otras cuestiones
como la variación progresiva de la optimalidad que presentan las neuronas de
la red (no hay una neurona de la clase roja que tenga como vecina a una
neurona de la clase verde) junto con la importancia relativa de cada una de
estas clases en el conjunto de la red son otros indicios que llevan a pensar que,
efectivamente, la red SOM presentada es una buena herramienta de ayuda a
la decisión para el control de la operación del horno alto a partir de datos del
estado de la temperatura del tragante.
El uso de la red SOM, además ha permitido aislar la correlación lineal que
existe entre la temperatura medida por las sondas y la que se obtendrá en el
arrabio ocho horas más tarde. Las pruebas estadísticas realizadas sugieren que
la correlación encontrada no es casual y el conocimiento suministrado por los
operadores coincide con estos datos, lo que refuerza aún más la evaluación
positiva del uso de la red SOM en esta aplicación.
El uso de nuevas técnicas de ayuda a la decisión basadas en la utilización de
redes neuronales, ha demostrado ser muy válido para el proceso de obtención
de arrabio en un alto horno. Entre sus ventajas se pueden citar la de que su
coste computacional es muy reducido, una vez ha sido entrenada la red. Del
mismo modo, su mantenimiento es nulo, salvo que cambien las condiciones de
funcionamiento del horno, en cuyo caso bastaría con entrenar de nuevo otra
red. Los resultados obtenidos indican que, en procesos tan complejos como el
estudiado, con 24 medidas de temperatura, el criterio de los operadores
puede verse reforzado por la clasificación resultante de la SOM, ya que es
lógico pensar que una persona intenta resumir esas 24 informaciones en unas
pocas reglas que le satisfagan al poderlas interpretar en la mayor parte de las
situaciones. Sin embargo, la red SOM, al ser una herramienta matemática,
tiene en cuenta todas las medidas, ponderando su importancia y emitiendo
una clasificación ligeramente distinta, con mejores propiedades topológicas,
Capitulo 5 Conclusiones
179
aunque a costa de un menor detalle en la misma, la SOM final sólo cuenta con
tres clases frente a las seis de la clasificación matemática.
Las redes SOM suponen una buena y sencilla herramienta para el control de la
temperatura en el tragante en un horno alto, permitiendo al operador tener
una idea de la temperatura (y, por tanto, de la calidad) del arrabio que
obtendrá posteriormente, con los beneficios que esto supone para la industria
siderúrgica.
El coste de este análisis de resultados no es alto dado que las sondas están
incorporadas ya al horno alto y el estudio del conjunto de datos obtenidos
puede ser actualmente realizado por ordenadores de uso común en el control
de procesos, siendo el software similar al utilizado por los programas Excel de
Microsoft. La mejora del control permitirá marchas operativas de menor coste
aumentando la rentabilidad.
5.3 PERSPECTIVAS Y TRABAJOS FUTUROS
A partir de los diferentes estudios que se han realizado se podrían designar
diversos campos, dentro del estudio completo del horno alto, que podrían ser
objeto de nuevos trabajos, distinguiéndose, según las diferentes zonas del
horno alto, los siguientes temas;
5.3.1 PARTE ALTA DEL HORNO, POR ENCIMA DE LA CARGA
Las medidas de la composición y temperatura del gas en la parte superior se
han convertido en mediciones de rutina que no presentan problemas
destacables y que dan información importante sobre el proceso. Las
mediciones de la distribución de la composición y temperatura del gas radial
por medio de sondas por encima de la carga se utilizan ampliamente. Sin
Capitulo 5 Conclusiones
180
embargo, sus resultados son más bien tendenciosos, tanto más cuanto mayor
es la distancia a la superficie de la carga. La utilización de sondas inclinadas
reduce los errores, pero se considera que las sondas internas a las cargas dan a
menudo resultados mucho más representativos
Las mediciones del perfil de la carga por radar o sensores de ultrasonidos se
van realizando cada vez en una mayor cantidad de hornos; éstas, combinadas
con modelos de llenado de carga, permiten un buen control sobre la
distribución de la carga.
La monitorización de la velocidad de descenso de la carga mediante sondas de
nivel, se puede realizar en prácticamente todos los hornos, aunque esas
sondas dan sólo información parcial sobre el descenso de la carga que afectan
de uno a cinco puntos seleccionados. A partir de las lecturas de esas sondas, se
pueden computar velocidades de descenso de la carga locales, aunque los
resultados de esos cálculos no son completamente fiables. Las mediciones más
completas de la velocidad de descenso de la carga a lo largo del perímetro del
horno, no han alcanzado todavía el estatus de una medición industrial fiable.
Otras áreas de futuras investigaciones son:
Mediciones y control del flujo transversal de gas, así como su impacto
sobre el funcionamiento del horno y eliminación de álcalis;
Medición exacta de la distribución radial de la cantidad y análisis del polvo
rechazado hacia la parte alta del horno;
Velocidad local del gas;
Evaluación del análisis del tamaño de la carga;
Heterogeneidad circunferencial del flujo de material (sólidos y gases);
Mediciones in situ del espesor de la capa de carga en la pared.
Capitulo 5 Conclusiones
181
5.3.2 MEDICIONES EN LA PARED, CUBA Y ETALAJES
Las mediciones de la presión de gas a lo largo del horno se están convirtiendo
en mediciones de rutina en muchos otros hornos, del mismo modo que las
mediciones de la temperatura en la pared del horno y elementos enfriadores.
La distribución de la carga y de las pérdidas de calor se evalúan de acuerdo con
dichas mediciones.
Las sondas internas de carga fijas dan generalmente una mejor imagen de las
reacciones del horno que las sondas situadas por encima de la carga,
exceptuando las sondas inclinadas. Para investigaciones especiales se utilizan
sondas verticales (flexibles o sólidas) u horizontales sólidas, que descienden
con la carga; sin embargo, debido a los elevados costes de operación
implicados, su aplicación es muy limitada. Lo mismo sirve para los muestreos
de polvo a lo largo de la pared del horno.
La aplicación de redes neuronales para la evaluación de los patrones de
distribución de calor por la pared se está poniendo a prueba en la actualidad;
son necesarios más trabajos destinados al desarrollo de una herramienta fiable
para la detección precoz de la formación de acreciones.
Otras áreas que requieren investigaciones son:
Flujo transversal de gas en cámara/cuba del horno;
Sondeos con muestreo de materiales y gases en el cuba inferior para una
mejor evaluación de las propiedades del material (comparándolo con los
resultados de test de laboratorio);
Detección de acreciones y evaluación de su grosor;
Evaluación del tamaño y forma de la zona cohesiva.
Capitulo 5 Conclusiones
182
5.3.3 ZONA DE TOBERAS Y ‘RACEWAY’
Las condiciones hostiles en esta zona del horno dificultan las mediciones y a
duras penas se puede realizar cualquier medida de forma rutinaria, a pesar de
la valiosa información que podría obtenerse. Sin embargo, se han hecho
importantes esfuerzos en el pasado para medir características importantes
como propiedades de materiales (en particular la degradación del coque) en
esta zona del horno y la distribución de la temperatura radial y análisis del gas
a lo largo del diámetro del horno. Varios hornos han sido dotados de sondas
muy caras para el muestreo de sólidos, líquidos y gases, mientras que en otros
se han usado sondas móviles montadas en carritos desplazables. Se han
conseguido mediciones del tiempo de residencia del gas o de la permeabilidad
del hombre muerto mediante inoculación de helio en el horno o por inyección
de helio a través de sondas horizontales en la tobera. Se han realizado
mediciones esporádicas de la profundidad del raceway, distribución de
temperaturas y la evolución de la composición del gas.
Sin embargo, todavía deben hacerse importantes esfuerzos para aclarar los
siguientes puntos:
La permeabilidad del hombre muerto;
La frecuencia de renovación de los materiales en el hombre muerto ;
La variación en la forma y posición del hombre muerto.;
El grado de combustión del carbón y otros combustibles auxiliares en el
raceway;
La profundidad del ‘raceway’ durante el funcionamiento del horno;
La presión del gas a lo largo del radio del horno;
El movimiento de material en el raceway.
Capitulo 5 Conclusiones
183
5.3.4 CRISOL DEL HORNO Y NAVE DE COLADA
Las mediciones de las temperaturas en la pared del crisol y base del horno y su
explotación combinada con modelos matemáticos para la evaluación del perfil
de desgaste del crisol, se están convirtiendo en un trabajo de rutina; también
se han empleado técnicas de análisis mediante ultrasonidos. La medición
continua de la temperatura del metal caliente por medio de pirómetros de
radiación, se está extendiendo también, mientras que la medida del nivel
líquido en el crisol, generalmente mediante sondas EMF (“Electro Motive
Forces”) ya se ha instalado en varios hornos altos, obteniéndose una
información muy útil de cara a optimizar las maniobras de apertura y cierre de
las piqueras. En diversas ocasiones se han realizado medidas de la
permeabilidad del crisol.
No obstante, el crisol del horno es todavía una zona en la que se conocen mal
muchos fenómenos. En particular están:
Las medidas de nivel por EMF;
Medidas continuas de la temperatura del arrabio;
Medidas del grosor de la pared por medio de técnicas de ultrasonidos;
Vaciado de la carga del crisol;
Flujo de metal en el crisol;
Formación de acreciones en el crisol;
Volumen de las escorias.
Capitulo 5 Conclusiones
184
5.3.5 SELECCCIÓN DE MODELOS
Análisis de los componentes principales;
Modelos de transferencia de calor en el crisol
Modelos de flujo de metal en el crisol;
Redes neuronales artificiales para visualización de los procesos;
Modelo de control de las estufas del horno.
5.4 CONCLUSIONES
Dentro de la gran cantidad de datos que se pueden obtener del horno alto en
cada momento, se hace necesario efectuar un análisis de esas nubes de
resultados, muy numerosos, determinando estructuras de valores
homogéneos que deben mantenerse o determinando heterogeneidades que
pueden llevar asociadas variaciones en los parámetros de marcha o ser el
origen de perturbaciones accidentales.
El horno alto tiene ciclos paramétricos dependiendo de los distintos
fenómenos que se desarrollen en el, así hay ciclos de carga y ciclos de colada
que deben mantenerse y repetirse dentro de unos límites.
Cuando se actúa en la parte inferior del horno, variando la tasa de carbón
pulverizado inyectado por toberas, o la riqueza y temperatura del viento, su
reflejo en las características de los gases del tragante son casi inmediatas. Las
variaciones de los parámetros de los gases reductores, temperatura y
Capitulo 5 Conclusiones
185
composición son automáticas, variando radicalmente también el mapa de
temperaturas obtenido en las sondas sobre la carga.
En cambio, las variaciones debidas a los cambios en la composición de la carga,
o en su forma de depositarla, son lentas debido a su inercia, lo que determina,
tiempos de respuesta de más de 8 horas. Esto obliga a analizar los resultados
obtenidos en amplios intervalos de tiempo y a relacionarlos con los
parámetros de marcha que han sido modificados con el objetivo de conseguir
una marcha homogénea.
Los ciclos en una zona del horno alto deben ser homogéneos, considerando el
ciclo en su conjunto además de los indicadores de dispersión. Un cambio de
ciclo anunciará una perturbación y se deben tomar medidas correctoras para
mantenerse dentro de las condiciones operativas marcadas.
El análisis de estas nubes de resultados es muy complejo. Los métodos aquí
presentados pueden desarrollarse para evaluar el estado del horno alto en su
conjunto, tomando como datos de partida las numerosas medidas que se
toman de los diferentes parámetros, temperaturas en diferentes zonas del
horno, valores obtenidos de las sondas EMF, composición de gases, calidad del
arrabio, etc…
Capitulo 6 Conclusions
187
6 CONCLUSIONS
6.1 DISCUSSION OF THE RESULTS OBTAINED FOR BLAST FURNACES WITH 13 ABOVE BURDEN
PROBES
When a furnace operator receives, through above burden probes, a great
amount of data, they need to process it, for which they would have to quickly
concoct a legible structure that would allow them to act adequately and make
the necessary decisions while the furnace is running.
Various aspects of the work made in the concoction of this Doctoral Thesis can
be considered valuable to improve the operation of the blast furnace:
In the first place, the study that has been carried out in the probe signals
above the burden, has allowed a more complete knowledge of its meaning and
its relationship with the performance of the blast furnace.
It has been established that, the observation of the burden signals, by
themselves, as obtained from the probes of the blast furnace, are of little value
for the plant operators due to the high volume of results obtained. The greater
part of its information is hidden by the complex relationships that exist
between the results obtained and the operational disturbances in short and
long range.
It is notable that one of the consequences of the developed studies has been
that the direction of the company in charge of the blast furnace has decided to
change the cooling system since the old system, [which included] cooling
through gas, eliminated an important part of the information supplied by the
probes. This gives an idea of the low use of the information that these probes
Capitulo 6 Conclusions
188
are able to provide, in order to apply them to daily work with the blast
furnace.
In second place, as a consequence of the carried out study, a reliable tool has
been created for the interpretation of the temperature of the probes, situated
above the burden, in order to diagnose the state of the blast furnace.
This new tool, based on a neural network, can supply to the plant operators,
not only the information of the values of the signals obtained from the probes,
but also an interpretation of these signals according to the possible states of
the blast furnace and the possibility to compare and check these results with
other significant variables of its own, becoming a useful tool for the operators
which correlates the different states.
Now it will be possible to foresee the states of furnace malfunctioning and
take corrective measures in advance. That is, [it will be possible] to use the
actual probes situated above the burden in a more efficient way, diminishing
costs and improving the quality of the Pig iron.
The system can be moved to other blast furnaces, although it will always be
necessary to do the training of the neural network to adapt to each new
furnace.
And last but not least, the developed “know-how” can be used to apply this
technique to other blast furnace probes and encourage other researchers to
continue with the study of different variables of the blast furnace, its
interpretation and, thus, can result in a better comprehension and better
control of the furnace.
It is expected that this model can help to diminish the consumption of the
reduction agents coke and coal. Of course, when this model is being used for a
Capitulo 6 Conclusions
189
longer time, together with increased obtained and used information, a better
quantification of the usefulness of this model will be obtained. The more
information for the training of the neural network is obtained the higher the
quality of the model will be, increasing the desired benefits more and more
each time.
Different methods have been developed and checked for a better
interpretation of the data provided by the different probes placed in the drain
of the blast furnace. The parameters associated with raceway gases are the
ones who determine more quickly the change of state in the running of the
blast furnace.
All these methods use diverse techniques, all of them based in Data Mining
techniques.
Summarizing, neural networks of different kinds have been used to:
Analyze and classify the temperatures of the above burden probes. As a
result it is possible, starting with the classification made by the neural
network, to diagnose the state of the blast furnace. Moreover, it is
possible to foresee an abnormal situation.
Starting with these results, a software tool has been created to be used in
the computer control center of the blast furnace and serves to help the
operator, through a computer that analyzes the temperatures obtained in
the probes installed above the burden.
Also diverse models, classics or hybrids have been used, to obtain a model that
relates the temperatures of the probes placed above the burden with the
Capitulo 6 Conclusions
190
distribution of the burden, and to calculate the more favorable distribution of
the burden in the blast furnace drain and the central axis of the blast furnace.
A neural network has been used to rebuild the information of the data
provided by the thermocouple, placed in the center of the furnace, with the
goal of avoiding a loss of information due to the cooling system and the
cooling of the probe. For this, it has been proposed that every time a new
profile of temperature from the probes placed above the burden is obtained,
they are classified and afterwards, a valid diagnosis is made using a method
similar to traffic lights, this is useful to the plant operators, informing them
about the performance of the blast furnace.
At the same time, it is possible to predict the appearance of the sags and
collapses in the burden more than an hour in advance.
A new, easy to use tool has also been developed, for the interpretation of the
signals of the above burden probes, from the investigation previously
mentioned, which allows the operators to obtain not only the signals of the
uncovered probes, but also an initial interpretation of its operative meaning.
6.2 DISCUSSION OF THE RESULTS OBTAINED FOR BLAST FURNACES WITH 24 ABOVE BURDEN
PROBES
Regarding the results obtained by employing a system of 24 above burden
probes, instead of the initial 13 probes, it can be affirmed that:
The results show an excellent capacity of recognition and classification of the
temperature patterns by the neural network. It is hard to evaluate the results
obtained by the use of the SOM, self-organized maps, since by being an
unsupervised network, it lacks the traditional criteria of evaluation, such as the
Capitulo 6 Conclusions
191
gradient of error made during training, the average quadratic error or the
matrix of confusion.
Nonetheless, it´s precisely for this reason that a network with non-supervised
training has been chosen, since there is no way to contrast the results for there
is no data in this regard and the SOM network allows us to avoid this shortage
of data in a notable way, allowing us to provide evaluations, in real time, of
values of the blast furnace.
As has been seen in the SOM networks, the concept of topology is highly
important. Taking this criteria into account, in a more qualitative than
quantitative way, its behavior can be analyzed. Finally, the SOM network used
perfectly keeps the concept of topology, since it has achieved to separate
perfectly, in disjoined regions, the main classes in which to divide the
temperature patterns.
It has been proven that this classification collects and exceeds the
mathematical classification of the temperature patterns (Table 4.1),
augmenting its generality and thus its usefulness. The support and
acceptance that shows the SOM classification, on the part of the operators, is
another factor to keep in account, in time to evaluate its performance. Finally,
other questions, such as the progressive variation of the optimality that
presents the neural networks (there is no red class neuron that has a green
class neuron as a neighbor) together with the relative importance of each one
of these classes as a whole in the network are other clues that make us think
that, definitely, the presented SOM network is a good decision-aiding tool for
the control of the operation of the blast furnace from this information about
the state of the temperature of the furnace blast.
Capitulo 6 Conclusions
192
The use of the SOM network, has also allowed to isolate the lineal correlation
that exists between the temperature measured by the probes and the ones
obtained in the Pig iron eight hours later. The statistical tests made suggest
that the correlation that was found is not accidental and the knowledge
provided by the operators coincides with this data, which reinforces even
more the positive evaluation of the use of the SOM network in this
application.
The use of new decision-aiding techniques based on the utilization of neural
networks has proven to be very valid in the process of the obtaining of Pig iron
in a blast furnace. Among its advantages it is notable that its computational
cost is very low, once the network has been trained. In the same way, it´s
maintenance is annuled, unless the functioning conditions of the furnace are
changed, in which case it would be enough to train another network again.
The obtained results show that, in processes as complex as the one studied,
with 24 measurements of temperature, the criteria of the operators could be
reinforced by the resulting classification of the SOM, since it´s logical to think
that one person tries to summarize these 24 pieces of information in a few
sentences that satisfy them in order to interpret them in the majority of
situations. Nonetheless, the SOM network, as a mathematic tool, takes into
account, all the measurements considering its importance and emitting a
classification slightly different, with greater topological properties, although at
the price of less details of the same, the final SOM only counts with three
classes against the six of mathematical classification.
SOM networks are a good and easy tool for temperature control in the drain of
the blast furnace, allowing the operator to have an idea of the temperature
(and, thus, the quality) of the Pig iron that will be obtained afterwards, with
the benefits that this implies for the steel industry.
Capitulo 6 Conclusions
193
6.3 PERSPECTIVES AND FUTURE WORKS
From the different studies that have been made, we could designate diverse
fields, inside the complete study of the blast furnace, that could be the object
of new works, distinguishing, according to the different areas of the blast
furnace, the following topics:
6.3.1 UPPER PART OF THE FURNACE, ABOVE THE BURDEN
The measures of the composition and temperature of the gas in the upper part
have become routine measurements that do not present any remarkable
problems and that give important information about the process. The
measures of the distribution of the composition and temperature of the radial
gas through above burden probes are widely used. Nonetheless, their results
are kind of biased, much more when the distance of the surface of the burden
is bigger. The use of inclined probes reduces the errors, but it is considered
that probes inside the burden usually give much more representative results.
The measurements of the burden profile by radar or ultrasonic sensors are
being made in ever greater furnaces; these, combined with the models of
filling the burden, allow good control over the distribution of the burden.
The monitoring of the descending velocity of the burden through level probes,
can be done in practically every furnace, although these probes only give
partial information, the descent of the burden that is affected from one to five
selected points. From the readings of these probes, the descending velocity of
the local burdens can be computed, although the results of these calculations
are not completely reliable. The most complete measurements of the
descending velocity of the burden through the perimeter of the furnace, have
not yet reached the status of a reliable industrial measure.
Capitulo 6 Conclusions
194
Other areas of future investigations are:
Measurements and control of the transverse flow of the gas, as well as its
impact on the functioning of the oven and elimination of the alkalis;
The exact measurement of the radial distribution of the quantity and
analysis of the powder blown to the upper part of the furnace;
Local Velocity of the gas;
Evaluation of the analysis of the size of the burden;
Circumferential heterogeneity of the material flow (solids and gases);
In situ measurements of the thickness of the burden on the wall.
6.3.2 MEASUREMENTS ON THE WALL, BOSH AND ETALAGES
The measurements of the pressure of the gas along the furnace are becoming
routine for many other furnaces, in the same way as the measurements of the
temperature of the wall of the furnace and cooling elements. The distribution
of the burden and the loss of heat are evaluated according to such
measurements.
The probes fixed inside the burden usually give a better image of the reactions
of the furnace than the probes placed above the burden, except the inclined
probes. For special investigations special vertical probes (flexible or solid) or
solid horizontal are used, that descend with the burden; nonetheless, due to
the high operational costs implied, its application is very limited. The same
happens with the sampling of the dust along the wall of the furnace.
The application of neural networks for the evaluation of the heat distribution
patterns on the wall are being tested presently; more studies are necessary for
Capitulo 6 Conclusions
195
the development of a reliable tool for the early detection of the formation of
accretions.
Other areas that require investigations are:
Transversal flow of gas in the chamber/bosh of the furnace;
Probing and sampling of materials and gases in the lower bosh for a better
evaluation of the properties of the material (comparing it with the results
of the laboratory test);
Detection of the accretions and evaluation of their thickness;
Evaluation of the size and shape of the cohesive area.
6.3.3 ZONE OF TUYERES AND ‘RACEWAY’
The hostile conditions in this area of the furnace make measurements difficult
and make it very hard to make any kind of measurements routinely, in spite of
the volume of information that could be attained. Nonetheless, important
efforts have been made in the past, in order to measure important
characteristics such as material properties (in particular the degradation of the
coke) in this area of the furnace and distribution of the radial temperature and
gas analysis along the diameter of the furnace. Many furnaces have been
endowed with very expensive probes for the sampling of solids, liquids and
gases, while in others mobile probes have been used, mounted on moveable
carts. Measurements of the gas residence time or of the Dead Man´s
permeability have been obtained through inoculation of helium in the furnace
or by injection of helium through the horizontal probes in the nozzles. Sporadic
measurements of the depth of the ‘raceway’, distribution of temperatures and
the evolution of the composition of the gas have been made.
Capitulo 6 Conclusions
196
Yet, important efforts are still to be made in order to clarify the following
points:
The Dead Man´s permeability;
The frequency of renewal of the materials in the Dead Man;
The variation in the shape and position of the Dead Man;
The degree of combustion of the coal and other auxiliary fuels in the
‘raceway’;
The depth of the ‘raceway’ during the functioning of the furnace;
The gas pressure along the furnace radii;
The movement of material on the ‘raceway’.
6.3.4 CRUCIBLE OF THE FURNACE AND CASTING BAY
The measurements of the temperatures in the wall of the crucible and base of
the furnace and its exploitation combined with mathematical models for the
evaluation of the wear profile of the crucible, are becoming a routine task; also
techniques of analysis have been used through ultrasounds. The continuous
measuring of the temperature of the hot metal by radiation pyrometers, is
spreading too, while the measuring of the liquid level of the crucible, usually by
EMF (“Electro Motive Forces”) has already been installed in many blast
furnaces, obtaining very useful information in order to optimize the opening
and closing maneuvers of the entrances. On several occasions measurements
of the permeability of the crucible have been made.
However, the furnace crucible is still an area in which very little is known about
much phenomena. Particularly [in the following areas]:
Capitulo 6 Conclusions
197
measurements of level EMF;
continuous measurements of the temperature of the Pig iron;
measurements of the thickness of the wall by means of ultrasonic
techniques;
draining of the burden of the crucible;
flow of metal in the crucible;
formation of accretions in the crucible;
volume of the slag
6.3.5 MODELS
analysis of the main components;
models of heat transfer in the crucible
metal flow patterns in the crucible;
Artificial neural networks for visualization of the processes;
control model furnace stoves
Capitulo 6 Conclusions
198
6.4 CONCLUSIONS
Within the large amount of data that can be obtained from the blast furnace at
any time, it is necessary to conduct an analysis of these clouds of results, very
numerous, determining homogenous value structures that must be maintained
or determining heterogeneities that may have various associations with
motion parameters or be the source of accidental disturbances.
The blast furnace has parametric cycles depending on the different
phenomena taking place in it, so there are cycles of burdening and wash cycles
to be maintained and replicated within certain limits.
When working in the bottom of the furnace, varying the rate of coal injected
through nozzles, or wealth and temperature of the wind, it´s reflection in the
characteristics of blast furnace gases are almost immediate. The variations of
the parameters of the reducing gases, temperature and composition are
immediate, also radically changing the temperature map obtained from the
probes on the burden.
However, variations in the composition of the burden or in the way it´s placed,
are slow due to their inertia, which determines response times of more than 8
hours. This requires analyzing the results obtained in wide ranges of time and
relating them to motion parameters that have been modified in order to
achieve homogeneous progress.
Cycles in a blast furnace must be homogeneous, considering the whole cycle in
addition to the indicators of dispersion. A change in the cycle will announce a
disturbance and corrective action must be taken in order to stay within
established operating conditions.
Capitulo 6 Conclusions
199
The analysis of these clouds of results is very complex. The methods presented
here can be developed to assess the state of the blast furnace as a whole,
taking as starting data the many measures that are taken of the different
parameters, temperatures in different zones of the furnace, values obtained
from the EMF probes, gas composition, quality of the cast iron, etc. . . .
Capitulo 6 Conclusions
200